中文题目：用于信息级联预测的深度学习方法

论文题目：CaSTGCN：Deep Learning Method for Information Cascade prediction

录用期刊/会议：2024中国自动化大会（CAA A类会议）

录用时间：2024.9.18

作者列表：

1)黄世博 中国石油大学（北京）人工智能学院 控制科学与工程 研23级

2)张   罡 中国石油大学（北京）经济管理学院 信息管理与信息系统 本20级

3)刘浩博 中国石油大学（北京）人工智能学院 人工智能 本21级

4)张晨曦 中国石油大学（北京）经济管理学院 信息管理与信息系统 本21级

5)刘建伟 中国石油大学（北京）人工智能学院 自动化系 教师

摘要:

随着社交媒体技术的成熟，一种大量信息不断传播和在社交网络上与用户互动。在线的传播信息对个人、组织和社会有重大影响。因此，控制和预测信息级联尤为重要。传统的信息级联预测和纯序列建模方法难以捕捉时间性和结构性级联中的信息以进行准确预测。最近许多研究已经开始探索深度学习算法，特别是图神经网络（GNN）和序列在预测信息中对神经网络算法进行建模。因此，我们提出了一个名为用于信息级联预测的深度学习方法（CaSTGCN）提取信息级联的结构和时间特征以及预测其未来的增量大小。

背景与动机:

现代社交媒体平台，如新浪微博、Twitter 和 Facebook 已成为意见分享、信息获取和在线在世界各地进行社交，因为它们易于使用，并且效率。在这些平台上，用户不断创建新内容，可以被其他人转发和讨论users 的微博数据的即时性和爆发性。作为结果，如何处理和利用这些海量数据成为热门话题，对信息的研究社交媒体中的传播迅速引起了广泛关注。

主要内容:

在本文中，受先前研究的启发，我们构建了一种用于级联序列预测的 ST-GCN，我们称之为 CaSTGCN。具体来说，我们使用 ST-GCN 和 TCN，它结合了结构和时间特征来预测给定级联的增长大小。通过定义活动和非活动状态，我们将级联分为多个快照，每个快照都包含底层网络和每个节点的活动状态。这些快照中节点的表示是使用专门设计的 ST-GCN。嵌入结构和时间信息的快照序列发送到 TCN 层以进一步提取时间特征并使用 MLP 层获得最终预测。

图4. CaSTCGN 的整体框架

结论:

总而言之，我们提出了一个带有编码器-解码器信息级联图的预测模型。该模型首先嵌入了使用多个 ST-GCN 的级联图的特征模块。然后它进一步通过 TCN 模块提取时间特征，并且然后进行预测。为了测试我们的模型，我们进行了在两个真实数据集和一个合成数据集上进行实验，结果表明 CaSTGCN 的表现优于以前的最先进模型。此外，图注意力能够让 CaSTGCN 捕获更多动态信息，收敛速度更快。我们未来的工作重点是在更大规模的社交网络。

表1. 预测性能

作者简介:

刘建伟，教师，学者。发表学术研究论文280多篇。