[论文解读] 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 3

一句话总结

本文提出 CoupledGNN，一种新颖的图神经网络框架，通过耦合两个 GNN 来联合学习社交网络中节点的激活状态与影响传播，从而建模信息传播的级联效应。在真实微博数据和合成数据上的实验表明，该方法在预测在线内容受欢迎程度方面显著优于当前最先进方法。

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.

研究动机与目标

• 为解决现有流行度预测方法在捕捉社交网络中信息传播级联效应方面的局限性。
• 以网络感知的方式建模用户激活状态与影响传播之间的相互作用。
• 通过显式表示早期采纳者如何随时间激活其邻居，来提升预测准确性。
• 开发一种方法，通过堆叠的 GNN 层自然捕捉多跳影响传播。
• 在合成数据和真实社交媒体数据上验证所提框架的有效性。

提出的方法

• 该方法采用两个耦合的图神经网络：一个用于建模用户的激活状态，另一个用于建模网络中的影响传播。
• 激活状态 GNN 基于邻居节点的状态更新节点表示，以捕捉局部扩散动态。
• 影响传播 GNN 学习影响如何从已激活用户传播到其邻居，使用可学习的影响函数。
• 两个 GNN 联合训练，以建模用户激活与影响传播之间的反馈回路。
• 通过堆叠图卷积层，使模型能够捕捉长距离依赖关系和多跳级联效应。
• 最终的预测头利用聚合的节点表示来估计在线内容的最终受欢迎程度。

实验结果

研究问题

• RQ1 耦合 GNN 架构能否有效建模社交网络中信息传播的级联效应？
• RQ2 与孤立建模相比，联合建模激活状态与影响传播在流行度预测方面有何改进？
• RQ3 所提方法在真实世界和合成数据集上相较于现有最先进方法的性能提升程度如何？
• RQ4 模型性能对底层社交网络结构和早期采纳模式的敏感程度如何？

主要发现

• CoupledGNN 在合成数据集和真实微博数据集上预测在线内容受欢迎程度方面，显著优于当前最先进方法。
• 该模型通过显式建模网络中用户激活与影响传播之间的相互作用，实现了更优的性能。
• 消融实验证实，耦合架构以及 GNN 的多层堆叠对于捕捉级联动态至关重要。
• 该方法在不同网络拓扑结构和早期采纳模式下均表现出鲁棒性。
• 结果表明，将影响传播建模为可学习函数（而非假设固定规则）能带来更好的泛化能力。
• 在高网络稀疏性和复杂扩散模式的情境下，模型的性能提升最为显著。