R-ODE: Ricci Curvature Tells When You Will be Informed

要約

情報拡散の予測は、オンライン ソーシャル ネットワークの構造と組織を理解するための基礎であり、噂の拡散、影響力の最大化、政治的プロパガンダなどをブロックするために重要な役割を果たします。これまでのところ、既存のソリューションのほとんどは、主に次に情報を受け取るユーザーを予測します。
しかし、普及プロセスにおける重要な要素である時間は無視されています。
このような制限により、ターゲットユーザーにいつ通知されるかを知らせる、時間を意識したパーソナライズされた情報の拡散予測という問題を初めて提起するようになりました。
この論文では、リッチ曲率の新しい幾何学的観点からこの問題に取り組み、新しいリッチ曲率制御常微分方程式 (R-ODE) を提案します。
拡散プロセスでは、R-ODE は、相互に相関するユーザーが表現空間内の動的システムに組織され、カスケードによって連続領域からサンプリングされた観測結果が得られるとみなします。
感染するたびに、メッセージは最大のリッチ曲率に沿って拡散し、輸送の労力が軽減されることを示します。
連続領域では、メッセージがユーザーの移動をトリガーし、空間内のユーザーの軌跡がグラフ ニューラル ネットワークを備えた ODE によってパラメーター化されます。
そこで、R-ODEは観測から学習した移動軌跡から対象ユーザーの感染時間を予測します。
広範な実験により、R-ODE のパーソナライズされた時間予測能力が評価され、R-ODE が最先端のベースラインを上回るパフォーマンスを示すことが示されました。

要約(オリジナル)

Information diffusion prediction is fundamental to understand the structure and organization of the online social networks, and plays a crucial role to blocking rumor spread, influence maximization, political propaganda, etc. So far, most existing solutions primarily predict the next user who will be informed with historical cascades, but ignore an important factor in the diffusion process – the time. Such limitation motivates us to pose the problem of the time-aware personalized information diffusion prediction for the first time, telling the time when the target user will be informed. In this paper, we address this problem from a fresh geometric perspective of Ricci curvature, and propose a novel Ricci-curvature regulated Ordinary Differential Equation (R-ODE). In the diffusion process, R-ODE considers that the inter-correlated users are organized in a dynamic system in the representation space, and the cascades give the observations sampled from the continuous realm. At each infection time, the message diffuses along the largest Ricci curvature, signifying less transportation effort. In the continuous realm, the message triggers users’ movement, whose trajectory in the space is parameterized by an ODE with graph neural network. Consequently, R-ODE predicts the infection time of a target user by the movement trajectory learnt from the observations. Extensive experiments evaluate the personalized time prediction ability of R-ODE, and show R-ODE outperforms the state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google