[論文レビュー] CasGCN: Predicting future cascade growth based on information diffusion graph

Zhixuan Xu, Qian Minghui+2 more|arXiv (Cornell University)|Sep 10, 2020

Complex Network Analysis Techniques参考文献 33被引用数 11

ひとこと要約

CasGCNは、情報拡散グラフの構造的情報をおよび時間的ダイナミクスを注意メカニズムを用いて活用するグラフ畳み込みネットワーク（GCN）ベースのモデルを提案する。このモデルは、WeiboおよびDBLPデータセットにおける大規模なカスケードにおいて、従来手法を上回り、グラフトポロジーと時間的進化の両方を効果的に捉えることができる。

ABSTRACT

Sudden bursts of information cascades can lead to unexpected consequences such as extreme opinions, changes in fashion trends, and uncontrollable spread of rumors. It has become an important problem on how to effectively predict a cascade' size in the future, especially for large-scale cascades on social media platforms such as Twitter and Weibo. However, existing methods are insufficient in dealing with this challenging prediction problem. Conventional methods heavily rely on either hand crafted features or unrealistic assumptions. End-to-end deep learning models, such as recurrent neural networks, are not suitable to work with graphical inputs directly and cannot handle structural information that is embedded in the cascade graphs. In this paper, we propose a novel deep learning architecture for cascade growth prediction, called CasGCN, which employs the graph convolutional network to extract structural features from a graphical input, followed by the application of the attention mechanism on both the extracted features and the temporal information before conducting cascade size prediction. We conduct experiments on two real-world cascade growth prediction scenarios (i.e., retweet popularity on Sina Weibo and academic paper citations on DBLP), with the experimental results showing that CasGCN enjoys a superior performance over several baseline methods, particularly when the cascades are of large scale.

研究の動機と目的

• ソーシャルメディアプラットフォームにおける大規模な情報カスケードの将来のサイズを予測する課題に対処すること。
• 手作業で特徴を設計するか、現実的でない仮定に依存する従来の手法の限界を克服すること。
• カスケード拡散グラフ内の構造的および時間的ダイナミクスを効果的に捉えるエンドツーエンドのディーブラーニングモデルを構築すること。
• グラフレベルの構造的特徴と時間的進化モデリングを統合することで、特に大規模なカスケードに対して予測精度を向上させること。

提案手法

• CasGCNは、情報拡散グラフからの構造的表現を抽出するためにグラフ畳み込みネットワーク（GCN）を用い、ノードレベルおよびグラフレベルの特徴を符号化する。
• GCNの隠れ状態に対して注意メカニズムを適用し、カスケードグラフ内の異なるノードの重要性を動的に重みづけする。
• 時間的情報を、カスケード成長の時系列的進行をモデル化することで統合し、時間的特徴シーケンスに対しても注意を適用する。
• 最終的な予測ヘッドは、注目された構造的および時間的特徴を組み合わせ、最終的なカスケードサイズを推定する。
• 予測誤差を最小化するために、平均二乗誤差（MSE）損失を用いてエンドツーエンドでモデルを訓練する。
• アーキテクチャは、Sina WeiboのリツイートカスケードおよびDBLPの引用カスケードからなる2つの実世界データセットで評価される。

実験結果

リサーチクエスチョン

• RQ1 情報拡散グラフの構造的トポロジーを活用することで、ディーブラーニングモデルが将来のカスケードサイズを効果的に予測できるか？
• RQ2 構造的および時間的特徴の両方に注意を統合することで、ベースラインモデルと比較して予測性能がどのように向上するか？
• RQ3 特に大規模なカスケードにおいて、CasGCNは既存の手法をどの程度上回るか？
• RQ4 このモデルは、ソーシャルメディアのリツイートと学術的引用の両方のような異なる種類のカスケードに一般化可能か？

主な発見

• CasGCNは、WeiboおよびDBLPの両データセットで優れた性能を達成し、複数の最先端のベースラインを予測精度の面で上回る。
• 特に大規模なカスケードの予測において顕著な強みを示し、ベースラインとの性能向上が最も顕著に現れる。
• アブレーションスタディにより、GCN部と注意メカニズムの両方がモデルの予測力に顕著な貢献をしていることが確認された。
• 時間的注意と構造的GCN特徴の統合により、カスケード進化ダイナミクスのモデリングがより良くなる。
• このモデルは、ソーシャルメディアおよび学術的引用ネットワークの両方で良好な一般化性能を示し、堅牢性があることが確認された。