[논문 리뷰] Coupled Graph Neural Networks for Predicting the Popularity of Online Content.

Qi Cao, Huawei Shen외 3명|arXiv (Cornell University)|2019. 06. 21.

Complex Network Analysis Techniques참고 문헌 40인용 수 3

한 줄 요약

이 논문은 사회적 네트워크에서 정보 확산의 연쇄 효과를 모델링하기 위해 두 개의 GNN을 결합하여 노드 활성 상태와 영향력 확산을 함께 학습하는 새로운 그래프 신경망 프레임워크인 CoupledGNN을 제안한다. 실제 Weibo 데이터와 합성 데이터를 이용한 실험 결과, 기존 최고 성능 기법들에 비해 온라인 콘텐츠 인기 예측에서 뚜렷한 성능 향상을 보였다.

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.

연구 동기 및 목표

• 기존의 인기 예측 방법들이 사회적 네트워크에서 정보 확산의 연쇄 효과를 포착하는 데에 한계가 있음을 해결하기 위해.
• 네트워크 인식적인 방식으로 사용자 활성 상태와 영향력 확산 간의 상호작용을 모델링하기 위해.
• 초기 수용자들이 시간이 지남에 따라 주변 사용자를 어떻게 활성화하는지 명시적으로 표현함으로써 예측 정확도를 향상시키기 위해.
• 스택된 GNN 레이어를 통해 다단계 영향력 확산을 자연스럽게 포착하는 방법을 개발하기 위해.
• 제안된 프레임워크의 효과성을 합성 데이터와 실제 소셜 미디어 데이터 양쪽 모두에서 검증하기 위해.

제안 방법

• 이 방법은 두 개의 결합된 그래프 신경망을 사용한다: 하나는 사용자 활성 상태를 모델링하기 위한 것이고, 다른 하나는 네트워크 전반의 영향력 확산을 모델링하기 위한 것이다.
• 활성 상태 GNN은 이웃 노드의 상태에 기반하여 노드 표현을 업데이트하여 국소적 확산 역학을 포착한다.
• 영향력 확산 GNN은 영향력을 활성화된 사용자에서 이웃으로 퍼뜨리는 방식을 학습 가능한 영향력 함수를 사용하여 학습한다.
• 두 GNN은 사용자 활성화와 영향력 확산 간의 피드백 루프를 함께 모델링하기 위해 공동으로 훈련된다.
• 그래프 컨볼루션 레이어를 스택하여 장거리 종속성과 다단계 연쇄 효과를 포착할 수 있도록 한다.
• 최종 예측 헤드는 집계된 노드 표현을 사용하여 온라인 콘텐츠의 최종 인기를 추정한다.

실험 결과

연구 질문

• RQ1 결합된 GNN 아키텍처가 사회적 네트워크에서 정보 확산의 연쇄 효과를 효과적으로 모델링할 수 있는가?
• RQ2 활성 상태와 영향력 확산을 함께 모델링할 경우, 별도로 모델링하는 것에 비해 인기 예측 성능이 어떻게 향상되는가?
• RQ3 제안된 방법이 실세계 및 합성 데이터셋에서 기존 최고 성능 기법들보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 모델의 성능이 기반 네트워크의 구조와 초기 수용 패턴에 얼마나 민감한가?

주요 결과

• CoupledGNN은 합성 데이터와 실제 Weibo 데이터셋 모두에서 온라인 콘텐츠 인기 예측에서 기존 최고 성능 기법들을 뚜렷이 능가한다.
• 모델은 네트워크 전반에서 사용자 활성화와 영향력 확산 간의 상호작용을 명시적으로 모델링함으로써 뛰어난 성능을 달성한다.
• 제거 실험 결과, 결합된 아키텍처와 GNN의 다중 레이어 스택이 연쇄 동역학을 포착하는 데 필수적임을 확인한다.
• 모델은 다양한 네트워크 구조와 초기 수용 패턴에 걸쳐 뛰어난 강건성을 보였다.
• 고정된 규칙를 가정하는 것 대신 영향력 확산을 학습 가능한 함수로 모델링할 경우 더 나은 일반화 성능을 얻는다.
• 모델의 성능 향상은 네트워크의 희박성과 복잡한 확산 패턴이 높은 상황에서 가장 두드러진다.