基于数据驱动和表征学习的网络信息流行度预测研究

As a trending research topic in network science, social computing, data mining, etc., popularity prediction of online content can be widely applied in many fields such as government policy making, enterprise business activities and individual online exploration. However, because of the variety of factors, the uncertainty of individual behavior, and the complex diffusion process, popularity prediction is still a challenging task. This project focuses on modeling individual behaviors and constructing diffusion models from the perspective of representation learning, aiming to make a deep research on popularity prediction. First, based on representation learning, this project will construct users' effect embeddings by integrating multivariate information. Second, in order to model and predict popularity dynamics, this project will model the interactive behaviors among individuals via the temporal point processes. Besides, this project will propose a novel information diffusion model with its generalization with deep learning technologies, so as to further improve the performance and universality of popularity prediction algorithms. We aim to help developing effective tools to predict the popularity of online content and to be applied in real scenarios.

网络信息流行度预测是网络科学、社会计算、数据挖掘等领域的研究热点之一。网络信息流行度预测在国家的政策制定、企业的商业活动和个人的网络使用等方面，具有广阔的应用前景。然而，由于实际场景中影响因素的多样性、个体行为的不确定性以及传播过程的复杂性，如何有效地建模和预测网络信息流行度仍然是一个十分具有挑战性的任务。本项目拟从表征学习的角度出发，通过建模个体行为和构建信息传播模型，对流行度预测进行深入研究。首先，本项目拟利用表征学习技术，融合多元信息构建网络用户抽象和有效的嵌入表达；其次，本项目拟采用时序点过程建模个体间的交互行为，实现对流行度动态过程的建模和预测；此外，本项目拟基于深度学习构建新型的网络信息传播模型及其泛化框架，以提高流行度预测算法的性能和普适性。本项目的研究，能够帮助形成网络信息传播态势分析和预测的有效工具，以满足实际应用场景的需要。

网络信息流行度预测是网络科学、社会计算、数据挖掘等领域的研究热点之一。网络信息流行度预测在国家的政策制定、企业的商业活动和个人的网络使用等方面，具有广阔的应用前景。本项目针对实际场景中影响因素的多样性、个体行为的不确定性以及传播过程的复杂性等挑战，从三个方面对网络信息流行度预测进行了深入研究。首先，利用表征学习技术，融合多元信息构建网络用户抽象和有效的嵌入表达；其次，从微观层面上建模了个体间的交互行为，实现了对宏观传播现象的产生过程和发展趋势的准确建模和预测；最后，利用深度学习技术，构建了新型的网络信息传播模型及其泛化框架，提高了流行度预测算法的性能和普适性。本项目提出了一系列算法。具体包括基于语义和关系的嵌入表征学习算法、基于源路径指导的节点表征学习算法、基于提及效应的个体交互行为预测算法、基于模式嵌入表示的个体下一位置预测算法、基于时空注意力网络的流量预测算法和基于图注意力时空神经网络的流行度预测算法等。本项目提出的算法在多个公开数据集进行了验证，实验结果表明，本项目所提算法可以取得良好的预测性能。项目组未来将进一步对这一方向进行深入研究并进行相关拓展，形成网络信息传播态势分析和预测的有效工具，以满足实际应用场景的需要。