刘 超,韩 锐,刘小洋,黄贤英

(重庆理工大学 计算机科学与工程学院，重庆 400054)

0 引言

微博、微信、Facebook等在线社交平台的出现，为信息的传递与共享提供了巨大的便利，从而促进了信息的快速传播，并因此产生了信息级联现象。这种现象普遍存在于: 论文与博客引用[1-2]，电子邮件转发[3]，以及各种社交平台推文的转发(如新浪微博[4]和Twitter[5])中。信息级联预测能够预测信息级联的大小和广度，并可以控制(或加速)各种场景中的信息传播，可应用于企业的病毒式营销[6]、社交网络影响力最大化[7]、媒体定点投放广告[8]和虚假新闻检测[9-10]等领域。因此，信息级联预测已成为社交网络分析领域的研究热点。

目前信息级联预测方法可归纳为四类: 基于扩散的方法[11-12]，基于特征的方法[13]，基于生成建模的方法[4]和基于深度学习的方法[5,14]。基于深度学习的方法是目前预测最高效的方法，该方法通常将数据通过嵌入表示学习提取节点的特征，再利用神经网络自动学习节点的特征，最后进行预测输出。DeepCas[5]是第一个基于深度学习的信息级联模型，通过随机游走将级联图转换为节点序列，并自动学习各个图的表示，然后使用循环神经网络学习级联的时序信息。DeepHawkes[4]将级联图转换为扩散路径，然后使用Hawkes过程学习级联特征，使模型具有高度可解释性。Topo-LSTM[15]利用动态有向无环图DAG以及每个节点生成拓扑感知的嵌入来进行预测。CasCN[14]模型利用图卷积[16]网络嵌入级联子图的空间结构信息，再使用循环神经网络提取时序信息，再进行输出预测。……