IEGSCL: マイクロスコピック拡散予測のためのインタラクション強化グラフニューラルシーケンス対照学習

科学分野:

• ソーシャルネットワーク分析
• 情報拡散ダイナミクス
• 機械学習

背景:

• ソーシャルネットワークにおける情報拡散を説明するには、ユーザーの関係性と好みを理解することが重要です。
• 情報拡散予測のための既存のグラフニューラルネットワーク（GNN）法は、重要な拡散インタラクションフィードバックを見落としがちです。
• 限られたラベル付きデータへの過度の依存は、現在のモデルの自己学習と一般化能力を妨げています。

研究 の 目的:

• インタラクションフィードバックとラベルなしデータを効果的に活用する新しいマイクロスコピック拡散予測モデルを提案すること。
• 社会的信頼とインタラクションデータを統合して、ユーザー表現の学習を強化すること。
• 情報拡散予測モデルの自己学習と一般化能力を向上させること。

主な方法:

• インタラクション強化グラフニューラルシーケンス対照学習（IEGSCL）モデルを開発しました。
• 信頼とインタラクションを含むトリプルグラフを構築し、多様なユーザーの関係性と好みを捉えました。
• ラベルなしデータからユーザーの意図の転送と特徴抽出のために、自己教師ありグラフ対照学習モジュールを実装しました。
• ソーシャルおよびインタラクティブな意図をカスケードモデリングに適応的に統合するために、情報駆動型ゲーティング戦略を設計しました。
• 最大平均不一致（MMD）を使用して、グローバルな関係表現をローカルなカスケードエンコーディングと整列させました。

主要な成果:

• 提案されたIEGSCLモデルは、既存のベースライン手法と比較して優れたパフォーマンスを示しました。
• 4つの公開データセットでの実験により、インタラクション強化アプローチの有効性が検証されました。
• モデルは、拡散予測の改善のために、ラベルなしデータとインタラクションフィードバックを効果的に活用しました。

結論:

• IEGSCLモデルは、マイクロスコピックな情報拡散予測において大きな進歩を提供します。
• インタラクションフィードバックの統合とラベルなしデータの利用は、モデルのパフォーマンスと一般化能力の向上に不可欠です。
• 提案された手法は、ソーシャルネットワークにおける情報拡散の理解と予測のための堅牢なフレームワークを提供します。