[논문 리뷰] CasGCN: Predicting future cascade growth based on information diffusion graph

Zhixuan Xu, Qian Minghui외 2명|arXiv (Cornell University)|2020. 09. 10.

Complex Network Analysis Techniques참고 문헌 33인용 수 11

한 줄 요약

CasGCN는 정보 확산 그래프의 구조적 정보와 주목성 기반의 시간 동적 특성을 활용하여 소셜 미디어에서의 향후 캐스케이드 크기를 예측하는 그래프 컬러션 네트워크(GCN) 기반 모델을 제안한다. Weibo와 DBLP 데이터셋에서 대규모 캐스케이드에 대해 기존 방법들을 능가하며, 그래프의 위상과 시간에 따른 진화를 효과적으로 포착한다.

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.

연구 동기 및 목표

• 소셜 미디어 플랫폼에서 대규모 정보 캐스케이드의 향후 크기를 예측하는 문제를 해결하기 위해.
• 수작업으로 설계된 특징이나 비현실적인 가정에 의존하는 기존 방법의 한계를 극복하기 위해.
• 캐스케이드 확산 그래프 내의 구조적 및 시간적 동적 특성을 효과적으로 포착하는 엔드 투 엔드 딥 러닝 모델을 개발하기 위해.
• 그래프 수준의 구조적 특징과 시간 진화 모델링을 통합하여, 특히 대규모 캐스케이드에 대해 예측 정확도를 향상시키기 위해.

제안 방법

• CasGCN는 정보 확산 그래프에서 노드 수준 및 그래프 수준의 특징을 인코딩하기 위해 구조적 표현을 추출하기 위해 그래프 컬러션 네트워크(GCN)를 활용한다.
• 캐스케이드 그래프 내의 다양한 노드의 중요도를 동적으로 가중하기 위해 GCN의 은닉 상태에 주목성 기반 메커니즘을 적용한다.
• 시간 정보는 캐스케이드 성장의 시계열 진행을 모델링함으로써 통합되며, 주목성 기반 메커니즘이 시간 특징 시퀀스에 적용된다.
• 최종 예측 헤드는 주목성 기반으로 가공된 구조적 및 시간적 특징을 통합하여 최종 캐스케이드 크기를 추정한다.
• 예측 오차를 최소화하기 위해 평균 제곱오차(MSE) 손실을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 모델 아키텍처는 실제 두 개의 데이터셋에서 평가되었으며, 신진 위보(Sina Weibo)의 리트윗 캐스케이드와 DBLP의 인용 캐스케이드를 포함한다.

실험 결과

연구 질문

• RQ1 정보 확산 그래프의 구조적 위상 정보를 활용함으로써 딥 러닝 모델이 향후 캐스케이드 크기를 효과적으로 예측할 수 있는가?
• RQ2 구조적 특징과 시간적 특징에 대해 주목성 기반 통합이 기존 베이스라인 모델 대비 예측 성능을 어떻게 향상시키는가?
• RQ3 특히 대규모 캐스케이드에 대해 CasGCN가 기존 방법들을 얼마나 뛰어나게 능가하는가?
• RQ4 모델이 소셜 미디어 리트윗과 학술 인용과 같은 다양한 유형의 캐스케이드에 대해 일반화 가능한가?

주요 결과

• CasGCN는 Weibo와 DBLP 데이터셋 모두에서 뛰어난 성능을 기록하며, 예측 정확도 측면에서 여러 최첨단 베이스라인을 능가한다.
• 모델은 특히 대규모 캐스케이드 예측에서 뛰어난 성능을 보이며, 이 경우 기존 베이스라인 대비 성능 향상이 가장 두드러진다.
• 제거 실험(ablation studies) 결과, GCN 모듈과 주목성 기반 메커니즘이 모델의 예측 능력 향상에 상당한 기여를 한다는 것이 확인되었다.
• 구조적 GCN 특징와 시간 주목성의 통합은 캐스케이드 진화 동적 특징을 더 잘 모델링할 수 있음을 보여준다.
• 모델은 다양한 캐스케이드 유형 간에 잘 일반화되며, 소셜 미디어 및 학술 인용 네트워크 모두에서 뛰어난 강건성을 보였다.