.png){kind=icon}
返回
Adaptive Sampling-based Dynamic Graph Learning for Information Diffusion Prediction
.png){kind=icon}
PRE
AI
DOI：10.1145/3744643.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信息传播预测旨在估计给定内容的未来交互用户，对于在线社交平台上的各种应用至关重要。近年来，基于动态图学习的方法取得了卓越的性能。然而，这些方法由于采用全邻聚合，常常面临可扩展性问题，这需要加载整个传播图，使其在大图上不实用。尽管通过采样来提升模型可扩展性是一种直接方法，但由于用户之间存在多种依赖关系（即用户-物品交互的时间和结构相关性），在传播图上进行采样具有挑战性。为解决此问题，我们提出了一种名为ASDIP的新模型，该模型在传播图上执行自适应采样。具体而言，ASDIP采用多种采样策略从传播图中提取游走序列，每种策略通过采样满足特定时间约束的游走序列来识别代表性的用户依赖关系。接着，不同策略采样的游走序列首先映射为各策略特有的用户表示，然后融合为统一的用户表示，自适应地融合不同策略获取的信息。最后，提出了级联表示学习模块，用于基于用户表示和交互时间戳生成级联表示。实验结果表明ASDIP的有效性和可扩展性。
Keyword:
information diffusion prediction
dynamic graph learning
adaptive sampling
user dependency
cascade representation learning
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
暂无机构信息
.png){kind=icon}
