[논문 리뷰] A Survey of Information Cascade Analysis: Models, Predictions, and Recent Advances

Fan Zhou, Xovee Xu외 2명|arXiv (Cornell University)|2020. 05. 22.

Complex Network Analysis Techniques참고 문헌 191인용 수 49

한 줄 요약

이 종합 검토는 정보 확산 인기 예측 방법을 포괄적으로 검토하고, 특징 기반, 생성적, 심층 학습 접근법으로 분류하며 매크로-, 마이크로-, 메소 수준 예측을 다루고 열린 도전과제를 개략합니다.

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.

연구 동기 및 목표

• 정보 확산(정보 캐스케이드)의 유형과 인기 예측의 문제 구성을 정의한다.
• 특징 기반, 생성적, 그리고 심층 학습 접근법에 걸친 예측 방법의 분류 체계를 제시한다.
• 매크로-, 마이크로-, 메소 수준의 예측 작업 및 평가 프로토콜을 검토한다.
• 정보 확산 연구에서의 데이터세트, 평가 지표, 그리고 남은 도전과제를 요약한다.

제안 방법

• 정보 확산을 예측 문제로 분류하는 것을 classification 혹은 regression으로 구분한다.
• 가용 데이터에 따라 사전 예측(ex-ante prediction)과 peeking 전략을 구분한다.
• 방법을 특징 기반(feature-based), 생성적(generative), 그리고 심층 학습(deep learning) 범주로 구성하고 교차 네트워크 적용 가능성을 제시한다.
• 인기 예측에 사용된 평가 지표와 벤치마크 데이터셋을 논의한다.
• 각 방법론적 접근의 trade-offs, 장점, 한계를 강조한다.
• 확산 과제를 위한 그래프 표현 학습(graph representation learning)과 순차 모델(sequential models)에 관한 최근 문헌을 조사한다.

실험 결과

연구 질문

• RQ1 정보 확산 인기 예측의 주요 문제 구성은 무엇인가(분류와 회귀, 사전 예측과 피킹, 매크로/마이크로/메소 수준)?
• RQ2 주요 방법론적 접근 방식은 무엇이며, 다양한 네트워크와 데이터 유형에서의 장단점은 무엇인가?
• RQ3 평가 지표와 데이터세트가 정보 확산 모델의 비교에 어떻게 영향을 미치는가?
• RQ4 정보 확산 모델링 및 캐스케이드 인기 예측에서 남아 있는 도전과 기회는 무엇인가?

주요 결과

• 본 논문은 광범위한 분류 체계를 제시한다: 예측은 classification 또는 regression일 수 있으며, 게시 전(before) 또는 게시 후(after)일 수 있고, 매크로-, 마이크로-, 메소 수준에서 범위가 설정된다.
• 세 가지 방법 그룹을 다룬다: 특징 기반 방법(feature-based methods), 생성 모델(generative models), 그리고 심층 학습 접근법을 포함하며, 그래프 표현 학습(graph representation learning)과 순차 모델(sequential models)을 포함한다.
• 다양한 네트워크와 데이터 도메인(예: 소셜 네트워크, 콘텐츠 공유, 인용 네트워크)을 다루며, 최근에 심층 학습 방법이 더 대중화되었다고 지적한다.
• 평가 지표(예: accuracy, precision, recall, F1, AUC, MAE, RMSE)를 검토하고, highly skewed popularity distributions의 문제를 논의한다.
• 많은 모델이 플랫폼과 데이터세트 간에 쉽게 일반화되기 어렵다는 점을 강조하고, 분야의 열린 도전과제와 기회를 강조한다.