Mining user features with hyperbolic representations for diffusion prediction

doi:10.1016/j.neunet.2026.108855

Mining user features with hyperbolic representations for diffusion prediction

2026-03-15

0

PRE

AI

DOI：10.1016/j.neunet.2026.108855

原文链接

原文求助

摘要

En 中文

信息扩散的研究在现实世界应用中具有重大的实践意义，并已引起许多学者的关注。尽管取得了显著进展，现有的扩散预测模型仍存在几个关键局限性：(i) 基于欧几里得空间的嵌入无法捕捉社会网络的固有层次结构；(ii) 大多数模型忽视了逐层传播动态和相邻用户间的相互影响，导致行为建模效果欠佳。为解决这些不足，我们提出了一种名为Hyper-MUF的新型深度学习框架，该框架利用双曲表示来挖掘用于扩散预测的静态和动态用户特征。具体而言，该模型首先在双曲空间中重构社会网络以捕捉层次化的用户关系。除了社会网络中的静态用户表示外，我们还使用池化和注意力机制来挖掘级联序列中的用户动态特征，以适应扩散过程。通过整合这两个方面，Hyper-MUF提供了一种统一的表示，能够反映信息扩散中的结构层次和时序演化。我们在四个真实数据集上验证了模型性能，并展示了该方法中每个模块的有效性。在大型数据集上，我们模型的预测性能相比当前最优方法提升了10%至20%，表明了模型的优越性。

Keyword:

Hyperbolic representations

Information diffusion

Deep learning

Social networks

Diffusion prediction

Mining user features with hyperbolic representations for diffusion prediction

摘要

期刊

机构