在線社交媒體極大地促進(jìn)了信息的產(chǎn)生和傳遞,加速了海量信息之間的傳播與交互,使預(yù)測信息級聯(lián)的重要性逐漸突顯。近年來,深度學(xué)習(xí)已經(jīng)被廣泛用于信息級聯(lián)預(yù)測（Information Cascade Prediction）領(lǐng)域。文中主要對基于深度學(xué)習(xí)的信息級聯(lián)預(yù)測方法的研究現(xiàn)狀與經(jīng)典算法進(jìn)行分類、梳理與總結(jié)。根據(jù)信息級聯(lián)特征刻畫的側(cè)重點不同,將基于深度學(xué)習(xí)的信息級聯(lián)預(yù)測方法分為時序信息級聯(lián)預(yù)測方法與拓?fù)湫畔⒓壜?lián)預(yù)測方法,并進(jìn)一步將時序信息級聯(lián)預(yù)測方法分為基于隨機(jī)游走（Random Walk）的方法與基于擴(kuò)散路徑的方法,將拓?fù)湫畔⒓壜?lián)預(yù)測方法分為基于全局拓?fù)浣Y(jié)構(gòu)的方法與基于鄰域聚合的方法;并對每類方法進(jìn)行詳細(xì)的原理闡述與優(yōu)缺點介紹,介紹了信息級聯(lián)預(yù)測領(lǐng)域常用的數(shù)據(jù)集與評價指標(biāo),在宏觀與微觀兩種信息級聯(lián)預(yù)測場景下對基于深度學(xué)習(xí)的信息級聯(lián)預(yù)測算法進(jìn)行實驗對比,并討論了一些信息級聯(lián)預(yù)測算法中常用的算法實現(xiàn)細(xì)節(jié)。最后,總結(jié)了該領(lǐng)域未來可能的研究方向與發(fā)展趨勢。 

【文章頁數(shù)】：13 頁

【文章目錄】：
1 引言
2 相關(guān)背景與傳統(tǒng)算法介紹
    2.1 相關(guān)背景及概念定義
        (1)級聯(lián)增量預(yù)測。
        (2)病毒級聯(lián)預(yù)測。
        (3)節(jié)點預(yù)測。
    2.2 傳統(tǒng)信息級聯(lián)預(yù)測方法
        (1)基于特征建模的方法[15]
        (2)基于生成建模的方法[21]
        (3)基于擴(kuò)散模型的方法
3 時序信息級聯(lián)預(yù)測方法
    3.1 基于隨機(jī)游走的方法
    3.2 基于擴(kuò)散路徑的方法
4 拓?fù)湫畔⒓壜?lián)預(yù)測方法
    4.1 基于全局拓?fù)浣Y(jié)構(gòu)的方法
    4.2 基于鄰域聚合的方法
5 實現(xiàn)細(xì)節(jié)
    (1)社交網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理。
    (2)結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)與圖神經(jīng)網(wǎng)絡(luò)。
    (3)使用平均池化作為拓?fù)浣Y(jié)構(gòu)特征的聚合策略。
    (4)使用多頭注意力機(jī)制[64]。
    (5)以非參數(shù)的形式建模時間衰竭效應(yīng)。
    (6)將微觀與宏觀的信息級聯(lián)預(yù)測任務(wù)結(jié)合。
6 信息級聯(lián)預(yù)測算法分析與對比
    6.1 常用公開數(shù)據(jù)集
        (1)Twitter[66]。
        (2)Sina Weibo[35]。
        (3)AMINER [33]。
        (4)APS[27]。
        (5)HEP-PH[67]。
        (6)Memetracker[68]。
        (7)Digg [69]。
        (8)BlogCatalog。
        (9)Flickr。
    6.2 評價指標(biāo)
        6.2.1 宏觀信息級聯(lián)預(yù)測評價指標(biāo)
        6.2.2 微觀信息級聯(lián)預(yù)測評價指標(biāo)
    6.3 實驗結(jié)果與對比
        6.3.1 宏觀信息級聯(lián)預(yù)測方法實驗對比
        6.3.2 微觀信息級聯(lián)預(yù)測方法實驗對比
            (1)基于多模態(tài)/多視圖的信息級聯(lián)預(yù)測
            (2)結(jié)合時空與社區(qū)結(jié)構(gòu)信息的信息級聯(lián)預(yù)測
            (3)利用生成模型提高信息級聯(lián)特征的刻畫能力
            (4)基于元學(xué)習(xí)的信息級聯(lián)預(yù)測


【參考文獻(xiàn)】：
期刊論文
[1]基于LDA模型和AP聚類的主題演化分析[J]. 倪麗萍,劉小軍,馬馳宇.  計算機(jī)技術(shù)與發(fā)展. 2016(12)
[2]基于MB-LDA模型的微博主題挖掘[J]. 張晨逸,孫建伶,丁軼群.  計算機(jī)研究與發(fā)展. 2011(10)



本文編號：3656642