- 博客(3)
- 收藏
- 关注
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 18:25:01 612
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 19:47:32 390
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人