Modelización de la semántica latente de las fuentes de difusión en la predicción de cascadas de información

Predecir la tendencia de difusión de la información puede ayudar a la recomendación de productos y a la gestión de la opinión pública. Los modelos de predicción en cascada de información existentes se dedican a extraer las características cronológicas de las secuencias de difusión, pero tratan las fuentes de difusión como usuarios ordinarios. La fuente de difusión, el primer usuario de la cascada de información, puede indicar el tema latente y el patrón de difusión de un elemento de información para extraer los posibles intereses comunes de los usuarios, lo que facilita la predicción de la cascada de información. En este trabajo, para modelar la abundante semántica implícita de las fuentes de difusión en la predicción de cascadas de información, proponemos un marco de predicción de cascadas basado en la semántica latente de las fuentes de difusión, denominado DSSF. En concreto, aplicamos en primer lugar la incrustación de fuentes de difusión para modelar el papel especial de los usuarios de las fuentes. Para aprender la interacción latente entre los usuarios y las fuentes de difusión, proponemos una puerta de fusión basada en la coatención que fusiona la semántica latente de las fuentes de difusión con la incrustación de los usuarios. Para afrontar el reto de que la distribución de las fuentes de difusión es de cola larga, desarrollamos un marco de entrenamiento adversarial para transferir el conocimiento semántico de las fuentes de cabeza a las de cola. Por último, realizamos experimentos con conjuntos de datos del mundo real, y los resultados muestran que el modelado de las fuentes de difusión puede mejorar significativamente el rendimiento de la predicción. Además, esta mejora es limitada para las cascadas de las fuentes de cola, y el marco adversarial puede ayudar.

Autores: Ningbo, Huang; Gang, Zhou; Mengli, Zhang; Meng, Zhang; Ze, Yu