《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-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