IEGSCL:互动增强图神经序列对比学习用于微观扩散预测

科学领域:

• 社交网络分析 社交网络分析
• 信息传播动力学 信息传播动力学
• 机器学习 机器学习

背景情况:

• 了解用户关系和偏好是解释社交网络中信息传播的关键.
• 现有的图形神经网络 (GNN) 信息扩散预测方法往往忽视了关键的传播相互作用反.
• 过度依赖有限的标记数据阻碍了当前模型的自我学习和概括能力.

研究的目的:

• 提出一种新的微观扩散预测模型,有效利用相互作用反和未标记数据.
• 通过整合社会信任和交互数据来增强用户表示的学习.
• 提高信息扩散预测模型的自我学习和概括能力.

主要方法:

• 开发了一个交互增强的图形神经序列对比学习 (IEGSCL) 模型.
• 构建了一个包含信任和互动的三重图表,以捕捉不同的用户关系和偏好.
• 实现了一个自主监督的图形对比学习模块,用于用户意图传输和从未标记的数据中提取特征.
• 设计了一种信息驱动的门关策略,以适应性地将社会和交互意图集成到级联模型中.
• 利用最大平均差异 (MMD) 调整全球关系表示与本地级联编码.

主要成果:

• 拟议的IEGSCL模型与现有的基线方法相比,显示出更高的性能.
• 在四个公共数据集上的实验验验证了交互增强方法的有效性.
• 该模型成功地利用未标记的数据和交互反来改善扩散预测.

结论:

• IEGSCL模型在微观信息扩散预测方面取得了重大进展.
• 整合交互反和利用未标记的数据对于提高模型性能和概括性至关重要.
• 提出的方法为理解和预测社交网络中传播的信息提供了一个强大的框架.