[论文解读] 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 11

一句话总结

CasGCN 提出了一种基于图卷积网络（GCN）的模型，通过注意力机制利用信息传播图的结构信息和时间动态，以预测社交媒体上的未来传播规模。该方法在微博和 DBLP 数据集的大规模传播事件中表现优于现有方法，能够有效捕捉图拓扑结构与时间演化特征。

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.

研究动机与目标

• 为解决在社交媒体平台上预测大规模信息传播事件未来规模的挑战。
• 克服传统方法依赖手工设计特征或不切实际假设的局限性。
• 开发一种端到端的深度学习模型，以有效捕捉传播图中的结构与时间动态。
• 通过整合图级别的结构特征与时间演化建模，提升预测精度，特别是在大规模传播事件中的表现。

提出的方法

• CasGCN 使用图卷积网络（GCN）从信息传播图中提取结构表征，编码节点级与图级特征。
• 在 GCN 的隐藏状态上应用注意力机制，以动态加权传播图中不同节点的重要性。
• 通过建模传播增长的时间序列演化过程来引入时间信息，注意力机制作用于时间特征序列。
• 最终的预测头将经过注意力加权的结构与时间特征进行融合，以估计最终的传播规模。
• 采用均方误差（MSE）损失进行端到端训练，以最小化预测误差。
• 该架构在两个真实世界数据集上进行评估：来自新浪微博的转发传播事件与来自 DBLP 的引用传播事件。

实验结果

研究问题

• RQ1 通过利用信息传播图的结构拓扑，深度学习模型能否有效预测未来的传播规模？
• RQ2 与基线模型相比，同时在结构与时间特征上引入注意力机制，能否显著提升预测性能？
• RQ3 CasGCN 在多大程度上优于现有方法，特别是在大规模传播事件中？
• RQ4 该模型是否能在不同类型传播事件（如社交媒体转发与学术引用）之间实现良好泛化？

主要发现

• CasGCN 在微博和 DBLP 数据集上均取得优越性能，在预测精度方面超越了多个最先进基线模型。
• 该模型在预测大规模传播事件方面表现尤为突出，相较于基线模型的性能提升最为显著。
• 消融实验证实，GCN 模块与注意力机制均对模型的预测能力有显著贡献。
• 将时间注意力与结构 GCN 特征相结合，能够更优地建模传播演化的动态过程。
• 该模型在不同类型传播事件间具有良好泛化能力，展现出在社交媒体与学术引用网络中的稳健性。