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