《Graph Representation Learning for Popularity Prediction Problem: A Survey》

最新推荐文章于 2025-11-23 22:48:11 发布
原创 最新推荐文章于 2025-11-23 22:48:11 发布 · 461 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #人工智能 #深度学习

本文探讨了图表示学习（GRL）在解决社交网络中流行度预测问题的应用，包括基于embedding、GCN、GAT和GNN的方法。针对信息传播的不同模型，如IC和LT，文章介绍了各类预测方法的优缺点。GRL方法能够快速提取特征，减少手工特征工程，但存在解释性不足的问题。

IM问题是指在社交网络中，寻找初始的种子集使得被激活的节点总数最大

解决IM问题是NP-hard的，而在IC和LT模型下计算节点集S的影响力扩散\sigma(s)是#p-hard

给定一些观察到的级联数据（通常是带有/不带有时间戳的部分扩散结果），流行度预测问题旨在根据观察结果预测级联的最终规模，或者更具体地说，在扩散过程结束时一个用户被激活的概率。

文章对Popularity 流行度预测方法做了回顾和总结，流行预测分为微观，中观和宏观，微观关注谁是下一个被激活的用户，宏观关注特定时间有多少被激活的用户，和最终总的活跃用户。

Preliminary

流行性/影响力预测的预备知识

Social network

社交网络一般表示为一个有向图 G=(V, E),

Information Cascade

当信息在社会网络上传播时，它将从一个或几个用户开始，并传播到他们的外邻和外邻的外邻，这将产生信息级联。一旦一个用户受到信息的影响，它的状态就会从不活跃变为活跃，我们就说它被激活了。它的状态将保持活跃，在接下来的传播过程中不会改变。

Popularity: 当传播停止时被其激活的节点

最低0.47元/天 解锁文章
论文笔记：Graph embedding techniques, applications, and performance: A survey
qq_35771020的博客
03-17 2360
一、基本信息 论文题目：《Graph embedding techniques, applications, and performance: A survey》 发表时间： 论文作者及单位： 论文地址：https://www.sciencedirect.com/science/article/pii/S0950705118301540 二、摘要 图形，例...
文献阅读（46）CIKM2020-Continuous-Time Dynamic Graph Learning via Neural Interaction Processes
优快云TianJi的博客
05-12 1528
本文是对《Continuous-Time Dynamic Graph Learning via Neural Interaction Processes》一文的浅显翻译与理解，如有侵权即刻删除。
spotify-popularity-prediction
03-10
spotify-popularity-prediction
论文阅读 Popularity prediction for marketer-generated content A text-guided attention neural network ...
what_how_why2020的博客
02-24 787
定义若干符号表示，描述问题为给定一组 MGC，提取特征后，学习一个函数去预测流行度得分。假设存在一个包含DDD个营销者生成内容（MGC）的集合。对于索引为iii的 MGC，其由文本描述diwi1wi2⋯win⋯wiNidi​wi1​wi2​⋯win​⋯wiNi​​表示，对应图像集IiI_i=Ii​pi1pi2⋯pim⋯piMipi1​pi2​⋯pi。
《Poluparity Prediction on Social Platforms with Coupled Graph Neural Networks》阅读笔记
LW的技术小筑
09-09 1334
论文地址：Popularity Prediction on Social Platforms with Coupled Graph Neural Networks 文章概览 作者提出了一种耦合图神经网络（Coupled Graph Neural Network, Coupled GNN）模型来进行在线内容流行度的预测，该模型包含两个GNN，即State GNN和Influence GNN。其中，State GNN通过用户的激活状态来建模人际影响，而Influence GNN通过来自邻居的人际影响来建模用户的
Graph representation and definition
New coder, Step further
01-28 354
representation: adjacency matrix 好处是对边或者权重的queries 都是O(1), remove or add an edge也是O(1). 坏处是对点不友好，增加一个点的操作是O(V^2). 而且本身存储太space consuming，同样是点的平方复杂度。导致在sparse matrix里不适用。 Adjacency Matrix is a 2D ar...
Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving综述
何必浓墨重彩
04-26 6645
Abstract In this article, we propose a survey of the Simultaneous Localization And Mapping field when considering the recent evolution of autonomous driving. The growing interest regarding self-drivi...
文献阅读（81）CIKM2021-Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transf
优快云TianJi的博客
09-18 486
本文是对《Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer》一文的总结，如有侵权即刻删除。
2021_WSDM_Pre-Training Graph Neural Networks for Cold-Start Users and Items Representation
weixin_46645827的博客
02-02 2378
[论文阅读笔记]2021_WSDM_Pre-Training Graph Neural Networks for Cold-Start Users andItems Representation 论文下载地址： https://doi.org/10.1145/3437963.3441738 发表期刊：WSDM Publish time: 2021 作者及单位: Bowen Hao Renmin University of China jeremyhao@ruc.edu.cn Jing Zhang∗ Ren
IM产品开发中的问题与常见的坑
会吃狼的鳄鱼
01-08 1766
（此文章，将随着记忆与问题暴露做不断的总结记录） IM产品，做支撑的服务端系统，是一个分布式的系统，按照对数据的处理职责来看，大致分为四大类： 1.网关层    （需要bind在外网网卡上，其他层模块bind在内网网卡上）       解决用户接入问题，包括选择负载均衡，极速连接，访问控制，数据安全传输等。      常见的坑：      连接失败，连接慢；      非法连接；  
GNN动手实践(一)：手把手带你实现GCN
热门推荐
LW的技术小筑
08-22 1万+
参考论文：Semi-Supervised Classification with Graph Convolutional Networks 一.前言 GCN（Graph Convolutional Network）即在图上进行卷积运算，与传统卷积的操作对象不同，GCN的卷积对象图是不规则的，例如每个结点周围的邻居结点数都是不定的。此外，图中各结点间不是互相独立的。图卷积通常需要借助图的结构信息来指导图中的消息聚合。GCN经过多年来的发展有了很多变体，今天要介绍的是Thomas N.Kipf和Max Well
让研习AI变得简单（三）：人工智能12篇经典综述推荐
人工智能讲师分享前沿技术
03-02 962
作为联接主义智能实现的典范，神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，是人工智能发展中的重要方法，也是当前类脑智能研究中的有效工具。从如何自动获取高级特征表示的研究开始到目前为止，深度学习已经被深入应用到了跟踪任务的方方面面，例如相似性度量、数据协同和目标包围盒估计等，经过社区的不断研究，纯基于深度学习的跟踪器已经获得了该任务中最先进的性能。在调研稀疏学习的发展过程中，本文总结了各算法的优势，缺点，局限性和未来的研究方向，可以帮助读者进行进一步的研究。
Datawhale 6月学习——图神经网络：基于图神经网络的图表征学习
qq_40990057的博客
07-06 1659
前情回顾 图神经网络：图数据表示及应用 图神经网络：消息传递图神经网络 图神经网络：基于GNN的节点表征学习 图神经网络：基于GNN的节点预测任务及边预测任务 图神经网络：超大图上的节点表征学习 1 图表征学习 图表征学习要求根据节点属性、边和边的属性（如果有的话）生成一个向量作为图的表征，基于图表征我们可以做图的预测。论文Learning representations of graph data: a survey中对常见的图表征学习方法进行了简单回顾。 将数据构造为图的形式可以帮助我们以一种系统
德鲁周记09--Kaggle比赛 TMDB Box Office Prediction
qq_44047943的博客
12-14 1172
Kaggle TMDB Box Office Prediction 报告一．问题定义：二．获取数据：三．研究数据：四．准备数据五．模型研究六．模型微调和模型融合 一．问题定义： 该问题来源于kaggle，在这个世界上，2018年电影收入估计达到417亿美元，电影业比以往任何时候都更受欢迎。但是什么电影票房收入最高？一个导演有多重要？还是预算？ 本题将通过电影数据库中7000多部电影的数据，以尝试预测它们在全球的总票房收入。提供的数据点包括演员、剧组、剧情关键词、预算、海报、发行日期、语言、制作公司和国家。该
【图表示学习】Graph Representation Learning 读书笔记（一）
Idiot 的博客
10-21 2549
Graph Representation Learning （William Hamil）本书还没有正式推出。 Chapter 1：Introduction 首章主要简要讲解图的定义和机器学习在图数据上的研究点。 图定义：，代表节点集合，代表边。图的简单表示办法是矩阵，可以通过向改矩阵内填写数据来表示图。如果u,v两个之间节点之间存在一条边，则（一般不带权重，如带有边的权重则把1换成权重值） ...
【动态图表示综述】Representation Learning for Dynamic Graphs: A Survey
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
05-21 3692
综述|73页近百篇参考文献JMLR20动态图上的表示学习 论文Representation Learning for Dynamic Graphs: A Survey paper 转载AIGraph深度学习与图网络 摘要 图自然出现在许多现实世界的应用程序中，包括社交网络，推荐系统，本体，生物学和计算金融。传统上，用于图的机器学习模型主要是为静态图设计的。但是，许多应用程序涉及不断发展的图。由于节点，属性和边随时间变化，这为学习和推理带来了重要挑战。在此调查中，作者回顾了动态图（包括动态...
阅读论文 GraphGAN: Graph Representation Learning with Generative Adversarial Nets
tomato_guo的博客
09-10 5154
1. Graph representation learning  (network embedding / graph embedding / network representation learning) tries to embed each node of a graph into a low-dimensional vector space, which preserves the ...
线性代数 | 学习启示与策略改进
最新发布
u013669912的博客
11-23 1254
……
MG-BERT: leveraging unsupervised atomic representation learning for molecular property prediction使用Atom2Vec了嘛
05-10
相反，它使用了一种名为Molecular Graph-BERT（MG-BERT）的模型，该模型使用BERT体系结构进行预训练，并使用无标签的分子数据进行训练。因此，MG-BERT的无监督原子表示学习方法与Atom2Vec有一些不同。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值