18、网络嵌入：信息扩散预测与未来方向

网络嵌入：信息扩散预测与未来方向

1. 信息扩散预测中的网络嵌入

在信息扩散预测领域，网络嵌入技术发挥着重要作用。通过对比不同模型在扩散预测上的表现，我们可以深入了解网络嵌入的效果。

1.1 模型对比

以NDM和NDM + SN为例，在扩散预测任务中，通过Micro - F1和Macro - F1指标进行评估。从图中可以看出，在整体扩散预测以及早期仅预测前五个受感染用户的情况下，两者存在一定差异。并且，Micro - F1的相对提升约为4%，这表明所采用的神经模型具有很强的灵活性，能够轻松利用外部特征进行扩展。

1.2 实证分析

在卷积层中，通过Frobenius范数来衡量学习到的投影矩阵的规模。以下是不同数据集上的投影矩阵规模：
| 数据集 | (W_{C}^{init}) | (W_{C}^{0}) | (W_{C}^{1}) | (W_{C}^{2}) |
| — | — | — | — | — |
| Lastfm | 32.3 | 60.0 | 49.2 | 49.1 |
| Memetracker | 13.3 | 16.6 | 13.3 | 13.0 |
| Irvine | 13.9 | 13.9 | 13.7 | 13.7 |
| Twitter | 130.3 | 93.6 | 91.5 | 91.5 |

从这些数据中，我们可以得到以下观察结果：
- 对于所有四个数据集，(W_{C}^{0})、(W_{C}^{1})和(W_{C}^{2})的规模具有竞争力，且(W_{C}^{0})的规模总是比其他两个略大。这意味着最近三个受