多尺度信息扩散预测与最小替代神经网络的神经网络

科学领域:

• 社交网络分析 社交网络分析
• 计算社会科学 计算社会科学
• 信息科学 信息科学 信息科学

背景情况:

• 由于社交平台上的内容替代动态,信息传播预测是复杂的.
• 现有的模型往往忽略了诸如信息间竞争,用户吸引力和内容预测等因素.
• 预测信息传播需要了解宏观的受欢迎程度和微观的用户级级.

研究的目的:

• 提出一种新的神经网络模型,用于多尺度信息扩散预测.
• 同时解决宏观普及和微观扩散预测任务.
• 将内容生命周期,用户偏好和预期等因素纳入扩散建模.

主要方法:

• 开发了一个使用最小替代 (MIDPMS) 神经网络的多尺度信息扩散预测.
• 模拟信息传播作为一个替代系统,整合内容生命周期,用户偏好和预期.
• 利用基于最小替代理论的神经网络进行联合宏观/微观预测培训.

主要成果:

• 在宏观和微观预测任务中,MIDPMS模型表现出强的性能.
• 在微博和推特数据集上的实验验验证了该模型的有效性.
• 提出的方法成功地捕捉到了信息传播动态的复杂性.

结论:

• 该MIDPMS模型提供了一个强大的解决方案,用于多尺度信息扩散预测.
• 考虑替换动态和用户预期可以提高预测准确度.
• 该模型为了解和管理在社交媒体上传播的信息提供了有价值的见解.