[論文レビュー] Coupled Graph Neural Networks for Predicting the Popularity of Online Content.

Qi Cao, Huawei Shen+3 more|arXiv (Cornell University)|Jun 21, 2019

Complex Network Analysis Techniques参考文献 40被引用数 3

ひとこと要約

本論文では、SNSにおける情報拡散の連鎖的影響を2つのGNNを結合させることで jointly にノードの活性化状態と影響拡散を学習する、新しいグラフニューラルネットワークフレームワークであるCoupledGNNを提案する。実際のWeiboデータおよび合成データを用いた実験により、オンラインコンテンツの人気度予測において、最先端の手法を顕著に上回ることを示した。

ABSTRACT

Predicting the popularity of online content on social platforms is an important task for both researchers and practitioners. Previous methods mainly leverage demographics, temporal and structural patterns of early adopters for popularity prediction. However, most existing methods are less effective to precisely capture the cascading effect in information diffusion, in which early adopters try to activate potential users along the underlying network. In this paper, we consider the problem of network-aware popularity prediction, leveraging both early adopters and social networks for popularity prediction. We propose to capture the cascading effect explicitly, modeling the activation state of a target user given the activation state and influence of his/her neighbors. To achieve this goal, we propose a novel method, namely CoupledGNN, which uses two coupled graph neural networks to capture the interplay between node activation states and the spread of influence. By stacking graph neural network layers, our proposed method naturally captures the cascading effect along the network in a successive manner. Experiments conducted on both synthetic and real-world Sina Weibo datasets demonstrate that our method significantly outperforms the state-of-the-art methods for popularity prediction.

研究の動機と目的

• 既存の人気度予測手法がSNSにおける情報拡散の連鎖的影響を捉えられていないという限界に対処すること。
• ネットワークに配慮した方法で、ユーザーの活性化状態と影響拡散の相互作用をモデル化すること。
• 初期採用者が時間経過とともにどのように周囲のユーザーを活性化させるかを明示的に表現することで、予測精度を向上させること。
• スタックされたGNN層を通じて、多ホップの影響拡散を自然に捉える手法を開発すること。
• 合成データおよび実世界のSNSデータの両方で、提案されたフレームワークの有効性を検証すること。

提案手法

• 本手法は、ユーザーの活性化状態をモデル化するGNNと、ネットワーク全体での影響拡散をモデル化するGNNの2つのGNNを組み合わせる。
• 活性化状態GNNは、隣接ノードの状態に基づいてノード表現を更新し、局所的な拡散ダイナミクスを捉える。
• 影響拡散GNNは、活性化されたユーザーからその隣接ノードへの影響の伝播を学習し、学習可能な影響関数を用いる。
• 2つのGNNは、ユーザーの活性化と影響伝播のフィードバックループをモデル化するために共同で学習される。
• グラフ畳み込み層をスタックすることで、長距離依存関係および多ホップの連鎖的影響を捉える能力が向上する。
• 最終的な予測ヘッドは、集約されたノード表現を用いてオンラインコンテンツの最終的人気度を推定する。

実験結果

リサーチクエスチョン

• RQ1 連携型GNNアーキテクチャは、SNSにおける情報拡散の連鎖的影響を効果的にモデル化できるか？
• RQ2 活性化状態と影響拡散を併せてモデル化することで、個別にモデル化する場合と比べて、人気度予測がどの程度向上するか？
• RQ3 提案手法は、実世界および合成データセットにおいて、既存の最先端手法をどの程度上回るか？
• RQ4 モデルの性能は、下位のSNSネットワーク構造や初期採用パターンに対してどの程度感受性を示すか？

主な発見

• CoupliedGNNは、合成データおよび実際のWeiboデータの両方において、オンラインコンテンツの人気度予測において最先端の手法を顕著に上回った。
• 本手法は、ネットワーク全体でユーザーの活性化と影響拡散の相互作用を明示的にモデル化することで、優れた性能を達成した。
• アブレーションスタディの結果、連携アーキテクチャおよびGNNの多層スタックが連鎖的ダイナミクスを捉えるために不可欠であることが確認された。
• 本手法は、さまざまなネットワークトポロジーおよび初期採用パターンに対しても、頑健であることが示された。
• 固定ルールを仮定するのではなく、影響拡散を学習可能な関数としてモデル化することで、より良い一般化性能が得られた。
• 本モデルの性能向上は、ネットワークのスパarsityが高く、拡散パターンが複雑な状況で特に顕著に現れた。