Learning Social Network Embeddings for Predicting Information Diffusion

用于预测信息扩散的社交网络嵌入

本文提出了一个模型，它可以将社交网络上的动态信息映射到一个连续(欧几里得)的空间中。

参与扩散级联的点被嵌入到潜在的表示空间中，这样就可以用热扩散过程来有效地为信息扩散建模。这就需要学习一个diffusion kernel，用节点在目标空间中的临近性来表示在级联中受到影响时的时间临近性。

社交网络上的研究的一个重要主题是信息在网络上的传播，其主要目标是研究用户间的交互，例如在Facebook上分享一个链接或者在Twitter上的转发，使得图片，视频或者八卦的传播更加高效。

此文中的方法的优势：

1）学习问题被映射成一个连续的优化问题，此问题可以使用经典的优化方法解决。

2）模型是从观察到的信息中构建的，不需要图的结构，也不需要对信息的传播方式做假设。

Diffusion Kernel

f(x,t)  时间t时在位置x的热度     是x位置的初始温度