基于时空Transformer的社交网络信息传播预测

摘 要 随着社交网络的日益普及和广泛应用，信息传播预测逐渐成为了社交网络分析领域的一个热点研究问题.之前大部分研究要么只利用信息传播序列，要么只利用用户之间的社交网络来进行预测，难以对信息传播过程的复杂性进行有效建模.此外，常用于信息传播预测的循环神经网络(recurrent neural network, RNN)及其变体难以有效捕获信息之间的相关性.为解决上述问题，提出了一个新的基于时空Transformer的社交网络信息传播预测模型STT.该模型首先构建由社交网络图和动态传播图组成的异构图并使用图卷积网络(graph convolutional network, GCN)来学习用户的结构特征；然后将用户的时序特征和结构特征放入到Transformer中进行融合来获取时空特征；为有效融合用户的时序特征和结构特征，提出了一种新的残差融合方式来替代Transformer中原有的残差连接；最后利用Transformer来进行信息传播预测.真实数据集上的大量实验验证了模型STT的有效性.

关键词 社交网络；信息传播预测；Transformer；图卷积网络；时空特征

随着社交网络应用的日益普及，社交网络分析已经成为数据挖掘领域的一个主要研究方向.目前，许多研究人员正通过对历史信息传播数据进行建模来探索信息传播机制，预测信息传播过程.信息传播过程预测在谣言检测[1]、流行病学[2]、病毒式营销[3]、媒体广告[4]、新闻和模因[5]等领域具有广泛的应用.

传统的信息传播预测方法试图从信息传播数据中学习信息传播模型.但这些方法通常依赖于网络结构、时间信息[6]、用户特征[7]、信息内容[8]和用户间的交互[9]等显式特征来构建传播模型.虽然这些特征工程方法能提高预测的性能，但它需要大量的人力和广泛的领域知识，缺乏泛化性，在不同的社交网络平台中效果不稳定.