[論文レビュー] A Survey of Information Cascade Analysis: Models, Predictions, and Recent Advances

Fan Zhou, Xovee Xu+2 more|arXiv (Cornell University)|May 22, 2020

Complex Network Analysis Techniques参考文献 191被引用数 49

ひとこと要約

この調査は、情報カスケードの人気予測手法を網羅的にレビューし、特徴量ベース、生成的、および深層学習アプローチに分類することで、マクロレベル、ミクロレベル、メソレベルの予測を横断し、未解決の課題を概説します。

ABSTRACT

The deluge of digital information in our daily life -- from user-generated content, such as microblogs and scientific papers, to online business, such as viral marketing and advertising -- offers unprecedented opportunities to explore and exploit the trajectories and structures of the evolution of information cascades. Abundant research efforts, both academic and industrial, have aimed to reach a better understanding of the mechanisms driving the spread of information and quantifying the outcome of information diffusion. This article presents a comprehensive review and categorization of information popularity prediction methods, from feature engineering and stochastic processes, through graph representation, to deep learning-based approaches. Specifically, we first formally define different types of information cascades and summarize the perspectives of existing studies. We then present a taxonomy that categorizes existing works into the aforementioned three main groups as well as the main subclasses in each group, and we systematically review cutting-edge research work. Finally, we summarize the pros and cons of existing research efforts and outline the open challenges and opportunities in this field.

研究の動機と目的

• 情報カスケードと人気予測のタイプと問題定式化を定義する。
• 特徴量ベース、生成的、および深層学習アプローチの予測手法の分類を提供する。
• マクロ、ミクロ、メソレベルの予測タスクと評価プロトコルをレビューする。
• 情報拡散研究におけるデータセット、評価指標、および未解決の課題を要約する。

提案手法

• 情報カスケードを分類問題として分類または回帰問題として分類する。
• 利用可能なデータに基づく前提予測（ex-ante）と覗き見戦略（peeking）を区別する。
• 特徴量ベース、生成的、深層学習のカテゴリに分け、クロスネットワーク適用性を整理する。
• 人気予測に用いられる評価指標とベンチマークデータセットを discussする。
• 各手法アプローチのトレードオフ、利点、限界を強調する。
• グラフ表現学習と拡散タスクの逐次モデルに関する最近の文献を調査する。

実験結果

リサーチクエスチョン

• RQ1 情報カスケード人気予測の主要な問題定式化は何か（分類vs回帰、前提予測と覗き見、マクロ/ミクロ/メソレベル）？
• RQ2 異なるネットワークとデータタイプにおける主な方法論的アプローチ（特徴量ベース、生成的、深層学習）とそのトレードオフは何か？
• RQ3 評価指標とデータセットは情報カスケードモデルの比較にどのような影響を与えるか？
• RQ4 情報拡散とカスケード人気予測のモデル化における未解決の課題と機会は何か？

主な発見

• この論文は広範な分類を提供する：予測は分類または回帰、公開前後、そしてマクロ、ミクロ、またはメソの範囲である。
• 特徴量ベースの手法、生成モデル、および深層学習アプローチの3つの手法グループを含み、グラフ表現学習と逐次モデルを含む。
• 複数のネットワークとデータドメイン（例：ソーシャルネットワーク、コンテンツ共有、引用ネットワーク）を取り上げ、深層学習手法が最近より普及していることに言及する。
• 評価指標（例：正確度、適合率、再現率、F1、AUC、MAE、RMSE）をレビューし、非常に偏った人気分布の問題点を論じる。
• 多くのモデルはプラットフォームやデータセット間で一般化しにくいことを強調し、分野の未解決の課題と機会を指摘する。