[论文解读] From Micro to Macro: Uncovering and Predicting Information Cascading Process with Behavioral Dynamics

Linyun Yu, Peng Cui+3 more|arXiv (Cornell University)|May 27, 2015

Complex Network Analysis Techniques参考文献 12被引用 7

一句话总结

本文提出了一种新颖的框架，通过建模微观层面的行为动态——具体而言，是每个感染节点对其邻居的影响传播随时间的变化——来预测网络中信息级联的完整动态演化过程。通过使用网络化威布尔回归模型捕捉这些动态，并结合具有理论保证的可扩展聚合方法，该方法在真实世界数据上显著优于最先进方法，在预测级联规模、爆发时间以及完整过程轨迹方面表现优异。

ABSTRACT

Cascades are ubiquitous in various network environments. How to predict these cascades is highly nontrivial in several vital applications, such as viral marketing, epidemic prevention and traffic management. Most previous works mainly focus on predicting the final cascade sizes. As cascades are typical dynamic processes, it is always interesting and important to predict the cascade size at any time, or predict the time when a cascade will reach a certain size (e.g. an threshold for outbreak). In this paper, we unify all these tasks into a fundamental problem: cascading process prediction. That is, given the early stage of a cascade, how to predict its cumulative cascade size of any later time? For such a challenging problem, how to understand the micro mechanism that drives and generates the macro phenomenons (i.e. cascading proceese) is essential. Here we introduce behavioral dynamics as the micro mechanism to describe the dynamic process of a node's neighbors get infected by a cascade after this node get infected (i.e. one-hop subcascades). Through data-driven analysis, we find out the common principles and patterns lying in behavioral dynamics and propose a novel Networked Weibull Regression model for behavioral dynamics modeling. After that we propose a novel method for predicting cascading processes by effectively aggregating behavioral dynamics, and propose a scalable solution to approximate the cascading process with a theoretical guarantee. We extensively evaluate the proposed method on a large scale social network dataset. The results demonstrate that the proposed method can significantly outperform other state-of-the-art baselines in multiple tasks including cascade size prediction, outbreak time prediction and cascading process prediction.

研究动机与目标

• 为解决预测信息级联完整时间演化过程（而不仅仅是其最终规模）的挑战。
• 理解驱动网络中宏观级联过程的微观机制——即行为动态。
• 开发一种可扩展且具有理论基础的方法，将局部行为动态聚合为准确的宏观级联预测。
• 将级联规模预测、爆发时间预测与完整过程预测统一到一个统一的预测框架中。

提出的方法

• 引入行为动态作为微观机制：每个感染节点对其邻居（一跳子级联）的影响传播随时间演变的累积过程。
• 提出一种网络化威布尔回归模型，以统计方式捕捉子级联的类似生存的动态特性，从而实现对影响传播时间的可解释且可推广的建模。
• 设计一种可扩展的聚合方法，将单个节点的行为动态整合为全局级联预测，并具有近似精度的理论保证。
• 采用数据驱动方法，利用观察到的早期感染时间估计每个节点子级联的威布尔分布参数（尺度和形状）。
• 使用对数似然最大化方法，结合对数凹似然函数，以确保全局收敛性和稳定的参数估计。
• 应用理论分析，证明似然函数中存在全局最大值，从而确保行为动态模型参数的可靠优化。

实验结果

研究问题

• RQ1 能否仅从级联的早期动态预测其完整的时序演化？
• RQ2 驱动网络中宏观级联行为的潜在微观机制是什么？
• RQ3 如何有效建模并利用行为动态（即节点对其邻居的影响传播随时间的变化）以实现预测？
• RQ4 能否开发一种可扩展且理论可靠的聚合方法，将个体行为动态整合为准确的全局级联预测？
• RQ5 与传统级联层面特征相比，建模行为动态如何提升预测性能？

主要发现

• 所提出的网络化威布尔回归模型有效捕捉了个体节点影响传播的非线性、时变特性，并在多种级联中揭示出一致的模式。
• 该方法在预测任意未来时刻的级联规模方面取得显著性能提升，预测误差显著低于最先进基线方法。
• 该模型在预测爆发时间方面优于现有方法，展现出在识别级联达到临界阈值时间点方面的更高准确性。
• 理论分析证实似然函数中存在全局最大值，确保行为动态模型参数估计的稳定与可靠。
• 在大规模真实社交网络数据集上的大量实验验证了该方法在多个预测任务中的优越性，包括完整级联过程预测。