
文章核心总结与创新点
主要内容
本文针对社交平台信息扩散预测中现有方法存在的虚假扩散连接、扩散分析信息不足等问题,提出基于大语言模型(LLM)的因果框架MILD。该框架整合社交关系、活跃时间线、用户画像和评论四大关键因素,通过因果推理构建真实的扩散影响图(G_{I}),并将其用于提升信息扩散预测性能。文章还设计了一套评估指标验证(G_{I})的可靠性,在News和Weibo数据集上的实验表明,MILD相较于现有方法平均提升约7%,且比社交网络结构多捕捉12%的真实扩散路径。
创新点
- 提出LLM驱动的因果推理框架,首次明确建模“谁影响谁”的扩散关系,解决传统方法无法显式识别关键影响的问题。
- 整合四大扩散关键因素(社交关系、活跃时间、用户画像、评论),通过启发式算法生成潜在扩散路径,辅助LLM理解复杂扩散模式。
- 设计专属评估指标(扩散路径准确性、关键交互捕捉、鲁棒性等),系统验证扩散影响图的可靠性。
- 在下游预测中仅依赖结构化扩散影响信息,排除额外原始上下文干扰,精准验证了因果推理带来的性能提升。
翻译部分(Markdown格式)
Abstract
信息扩
订阅专栏 解锁全文
1299



被折叠的 条评论
为什么被折叠?



