[论文解读] Popularity Prediction on Social Platforms with Coupled Graph Neural Networks

Qi Cao, Huawei Shen+3 more|arXiv (Cornell University)|Jun 21, 2019

Complex Network Analysis Techniques参考文献 50被引用 9

一句话总结

本文提出 CoupledGNN，一种新颖的图神经网络框架，通过两个耦合的图神经网络联合学习节点激活状态与影响传播，以建模社交媒体内容传播中的级联效应。在新浪微博和合成数据上的实验表明，该方法在流行度预测任务中显著优于当前最先进方法，实现了更低的平均相对平方误差，并在部分网络条件下表现出更优性能。

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

• 为解决在社交平台中准确预测在线内容流行度的挑战，通过建模信息传播中的级联效应。
• 改进现有方法中忽略用户激活状态与影响传播在社交网络中动态相互作用的问题。
• 开发一种网络感知的流行度预测模型，显式捕捉用户在底层社交网络结构中的顺序激活过程。
• 通过耦合图神经网络架构整合节点状态与影响传播，实现用户级与宏观层面流行度的端到端学习。
• 在部分网络条件下及不同超参数设置下，验证所提方法的鲁棒性与有效性。

提出的方法

• 该方法采用两个耦合的图神经网络：一个模型通过用户激活状态门控来建模影响传播，另一个则根据邻居的影响来更新用户激活状态。
• 模型通过图神经网络层中的迭代邻域聚合，自然地捕捉在多个跳数下沿社交网络结构的级联效应。
• 节点激活状态基于邻近影响的加权和进行更新，并通过可学习门控机制控制影响流。
• 该框架可通过表示拼接或注意力机制，灵活融合时间动态和内容信息等附加特征。
• 通过结合宏观流行度预测（MRSE）与用户级交叉熵损失的多任务损失函数，实现端到端训练以提升泛化能力。
• 超参数调优，特别是图神经网络层数，通过分析早期采纳者到激活用户之间的最短路径分布来指导。

实验结果

研究问题

• RQ1 耦合图神经网络架构能否有效建模社交网络中信息传播的级联效应以实现流行度预测？
• RQ2 CoupledGNN 中图神经网络的层数与现实社交网络中级联效应的实际传播范围之间有何对应关系？
• RQ3 引入用户级与宏观层面监督在多大程度上提升了预测性能？
• RQ4 该模型在现实社交平台中常见的部分或不完整网络结构下表现如何？
• RQ5 所提方法是否在合成数据与真实世界流行度预测基准中均优于现有最先进方法？

主要发现

• 当 λ = 0.5 时，CoupledGNN 在验证集上的平均相对平方误差（MRSE）为 0.1101，为所有测试 λ 值中的最低值，表明用户级与宏观层面监督之间达到最佳平衡。
• 该模型在合成数据与真实世界新浪微博数据集上均显著优于强基线方法 DeepCas，展现出更优的预测精度。
• 即使在网络中随机删除最多 20% 的边时，CoupledGNN 的性能仍显著优于 DeepCas，表明其对部分网络信息具有强鲁棒性。
• 最优图神经网络层数（K=3）与实际最短路径分布高度一致，其中 99.76% 的激活用户位于三跳之内。
• 消融实验表明，添加用户级交叉熵损失可提升宏观流行度预测性能，但过度加权（λ > 10.0）会导致过拟合用户级任务，从而降低整体性能。