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-layers GNN, 用于粗粒度(coarse-grained)的易感性估计;第二步,如何实现细粒度计算,提出了一个传播方案,将每个节点的估计值扩散到邻居间。我们设计了一个传播方程,其动机是随机行走过程的静止分布概念。由于影响力的扩散与随机行走有本质的不同,我们设计了一个迭代传播方案,考虑到扩散动力学的具体特征。该模型是以端到端方式进行训练的。我们注意到DeepIS是归纳式的,也就是说,我们可以在一个图上训练模型,然后在其他图上运行,这就避免了在大数据集上昂贵的再训练,并实现了实时影响分析。
DeepIS和MONSTOR与PPNP算法密切相关。MONSTOR专注于基于多个GNN的堆叠结构的IC模型下的节点的增量影响传播测定。By the way, 感觉MONSTOR算法可以关注一下,应该会有启发
这篇文章感觉主要受这两篇文章启发:
[19] Johannes Klicpera, Aleksandar Bojchevski, and Stephan G ̈unnemann. 2019. Predict then propagate: Graph neural networks mee