论文笔记 Inf2vec: Latent Representation Model for Social Influence Embedding

摘要：

以往的工作是对传播概率的预测，即对边的预测，但是由于数据的稀疏性，如有时候不太能知道所有的传播信息，无法对所有的边都进行预测。
所以本文提出inf2vec：将节点嵌入为向量，嵌入了局部邻居信息+全局节点的相似性。

introduction

节点嵌入的方法有两个好处：
1、可以挖掘潜在的传播信息：某节点间接地影响到另外的节点；
2、解决数据的稀疏性：如果在传播数据中没有看到u,v的信息，也可以通过u,v的节点表示来进行传播概率的预测。

模型的关键是如何产生节点的上下文：
1、局部信息：提取出一个传播网络，在该网络中进行随机游走产生一系列节点作为局部信息。
2、全局相似性：相同兴趣的用户可能具有相同的action,(进行了数据分析)，所以对一个用户u,将跟其有相同动作的用户作为他的全局信息。

基于以上的上下文 + the word2vec technique得到表示模型。

RELATED WORK

介绍了以往的边预测的方法；本文提出的模型与以前的模型的优势；用到的 word2vec、LINE、node2vec等介绍。

SOCIAL INFLUENCE EMBEDDING

1、对每一个假设都要有依据
假设边的构建，如果u和v都有同一个action，并且u在前，v在后，那么假设uv之间有一条边，根据以前的一些文献可以看出来。
假设