Chr1sTIAN-CSDN博客

原创赛码网输入注意事项 Python

Python在赛码网中输入的注意事项

2022-09-17 14:10:33 817 1

原创《Deepis Susceptibility Estimation on Social Networks》节点易感性，影响力预测的想法和一些改进

影响力扩散问题大多集中于IM问题，设定seed set使得最终或特定时间点影响力/流行度最大。我们想要关注的是传播模型中每个用户被激活的概率。 Deepis这篇文章采用 GNN 来预测易感性susceptibility，即每个用户被影响的概率。估计易感性可以被视为节点上的回归任务 GNN通过堆叠multiple layers 来 aggregate multi-hop neighbor 的信息，这会导致过度平滑，并且不利于对单个节点预测任务 DeepIS：第一步，构建特征，将特送入 multi-

2022-05-07 18:25:01 585

原创《Graph Representation Learning for Popularity Prediction Problem: A Survey》

IM问题是指在社交网络中，寻找初始的种子集使得被激活的节点总数最大解决IM问题是NP-hard的，而在IC和LT模型下计算节点集S的影响力扩散是#p-hard 给定一些观察到的级联数据（通常是带有/不带有时间戳的部分扩散结果），流行度预测问题旨在根据观察结果预测级联的最终规模，或者更具体地说，在扩散过程结束时一个用户被激活的概率。文章对Popularity 流行度预测方法做了回顾和总结，流行预测分为微观，中观和宏观，微观关注谁是下一个被激活的用户，宏观关注特定时间有多少被激活的用户，和最终总的活跃

2022-05-02 19:47:32 363

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 赛码网输入注意事项 Python

原创 《Deepis Susceptibility Estimation on Social Networks》节点易感性，影响力预测的想法和一些改进

原创 《Graph Representation Learning for Popularity Prediction Problem: A Survey》

空空如也

空空如也

原创赛码网输入注意事项 Python

原创《Deepis Susceptibility Estimation on Social Networks》节点易感性，影响力预测的想法和一些改进

原创《Graph Representation Learning for Popularity Prediction Problem: A Survey》