基于深度学习的信息级联预测综述

《Information Fusion》：A survey on Information Cascade Prediction based on Deep Learning

　　•新分类法。根据信息级联的任务类型和学习策略，我们提出了一种新的分类法来对现有方法进行分类。
•全面综述。我们回顾了200多篇关于最新深度学习方法的论文，涵盖三大主要任务，并讨论了它们的优缺点。
•资源汇编。我们概述了代表性数据集和评估指标。
•应用与机会分析。我们进一步讨论了实际应用，并提出了未来研究的潜在方向。

引言
移动通信技术的飞速发展使社交平台成为信息生成、存储和传播的主要场所，极大地推动了信息扩散的空前深度和广度[1]（例如X、微博、微信、脸书等）。用户在这些平台上方便地与其他用户分享新闻、想法和经验，共享信息在用户之间反复传播，从而形成信息扩散过程[2]，也称为信息级联现象。这种频繁现象在其他领域也普遍存在，如学术引文网络[3]、社交网络[4]、[5]、电子商务网络[6]、电子邮件网络[7]、GitHub网络[8]、[9]等。由于社交平台的开放性、动态性和复杂性，信息扩散过程受到一系列内部和外部因素的影响（例如拓扑结构[10]、时间信息[11]、用户画像[12]、个性特征[13]、软标签[14]等），这给准确分析信息扩散过程带来了巨大挑战[15]。因此，信息级联预测因其广泛的应用性而引起了研究者和行业从业者的极大兴趣，例如影响力分析[16]、营销管理[17]、推荐系统[18]、舆论治理[19]、[20]、疫情预测[21]等，如图1所示。尽管这些应用的目标各不相同，但它们都依赖于准确刻画动态扩散过程并预测信息的潜在影响。
通常，根据用户之间的历史交互，信息级联预测包含微观层面的信息扩散预测[22]和宏观层面的信息流行度预测[23]。前者侧重于估计用户参与信息转发过程的可能性，后者主要旨在预测信息扩散的范围[24]，而多尺度预测可以同时推断下一个被感染的用户和信息扩散的最终范围[25]。在本文中，我们将全面回顾这些任务。
最近，研究人员广泛探索了信息级联预测的方法，这极大地推动了该领域的发展。基于数据预处理、特征学习和模型设计的方式，现有工作大致可分为特征工程方法[26]、生成方法[27]、嵌入表示方法[28]、独立级联方法[29]和基于深度学习的方法[30]、[31]。具体而言，基于特征工程的方法高度依赖于手工设计的统计、结构和用户特征[32]。特征选择需要大量的领域知识，且难以适应不同平台，而用户之间复杂的交互、时间动态、网络结构和内容也难以显式捕获。生成方法通过预定义的概率机制和强度函数来建模扩散过程[33]。虽然它们为时间依赖性提供了可解释的框架，但其有效性取决于对潜在扩散过程的假设，这可能无法完全捕捉异质性和时变的社会交互。嵌入表示方法通过学习潜在表示来减轻对手工特征的依赖[34]，但通常侧重于特定的关系或相似性结构，在联合建模信息扩散的异质性和动态特征方面仍然有限。基于独立级联的方法通过预定义的影响关系和状态转换规则来描述信息扩散过程。其简化的传播假设难以建模动态用户影响力、内容依赖的传播以及网络、时间和行为因素的联合效应。尽管上述方法在理解和预测信息扩散方面做出了重要贡献，但其适用性受到现实世界社交媒体环境日益复杂性的制约。深度学习的出现为解决这些局限性提供了更灵活的数据驱动范式。基于深度学习的方法可以从大规模异构数据中自动学习面向任务的表示，减少对手工特征和预定义扩散机制的依赖。同时，不同的架构可以有效地捕捉信息扩散的不同方面。此外，它们可以联合建模信息扩散背后的结构、时间、语义和行为因素。因此，基于深度学习的方法已成为信息级联预测越来越重要的方法[35]、[36]。为了考察这一研究领域的发展趋势，我们通过Web of Science和Google Scholar进行文献检索，使用“信息级联预测”、“信息扩散预测”、“信息流行度预测”、“多尺度信息级联预测”等关键词组合，收集了与信息级联预测相关的代表性出版物。检索到的出版物根据其标题、摘要和全文进行筛选，以保留直接与信息级联预测相关的研究。重复记录被删除，与研究方向不直接相关的出版物被排除。图2总结了过去十年中我们调查所包含的出版物的分布。我们可以观察到，近年来关于信息级联预测的出版物数量大幅增加，特别是随着深度学习技术的快速采用。所回顾的研究已发表在数据挖掘、社交网络分析和信息管理领域的知名国际会议和期刊上，如WWW、AAAI、ICDE、ICDM、TKDE、Information Processing & Management、Information Sciences等。这一不断增长的研究揭示了信息级联预测越来越受到研究关注、预测任务的多样性以及研究社区的跨学科性质[37]，例如计算机科学与技术、人工智能、信息通信和社会学。
为了组织先前的工作，几位研究人员对信息级联预测进行了全面的概述。例如，文献[38]、[39]、[40]、[41]、[42]、[43]、[44]、[45]主要总结了传统方法，包括级联模型、传染病模型、线性阈值模型、博弈论模型等。随后，关于深度学习驱动的信息级联预测方法的参考文献[4]在覆盖范围和分析深度上存在不足，有待进一步研究。此外，研究人员[46]、[47]回顾了部分基于深度学习的方法，如表1所示。然而，上述方法仍面临几个局限性：（i）缺乏全面性和深入分析；（ii）丢失了最新发现；（iii）缺乏对大量相关文献的统一分类体系，上述局限性构成了重大挑战。因此，迫切需要回顾基于深度学习的信息级联预测方法，以促进研究的发展。
为解决上述挑战，我们全面系统地回顾了近年来基于深度学习的信息级联方法，强调深度学习的重要性。为了更好地理解本文，我们首先介绍三个任务的核心概念和数学定义。根据信息级联的任务类型和学习策略，我们提出了一种新的分类法，将基于深度学习的现有方法分为三类及其子类，并总结了前沿研究，包括信息流行度预测、信息扩散预测和多尺度预测。同时，我们概述了代表性模型的性能、公开可用的数据集和评估指标。此外，我们讨论了信息级联预测的应用和机会。总之，本文做出了几项关键贡献：
（1）新分类法。根据任务类型和学习策略，我们提出了一种新的分类法，将基于深度学习的现有方法分为三类及其子类，为现有方法的分类和比较提供了统一的理论框架。
（2）全面综述。我们全面涵盖了200多篇关于基于深度学习的信息级联预测的最新论文，包括三个主要任务：信息流行度预测、信息扩散预测和多尺度预测。同时，我们详细讨论了它们的优缺点。
（3）资源汇编。我们详细介绍了评估指标和数据集，为研究者在模型比较和评估方面提供了直观的参考。
（4）应用与机会分析。我们进一步讨论了实际应用，并提出了未来研究的潜在方向，为该领域的进步提供了明确指导。
本文其余部分的结构如图3所示。本文遵循从问题表述和任务定义到方法分类、基准数据集、评估标准、应用和未来研究机会的渐进式结构。具体而言，第2节建立了信息级联预测的基本概念和形式定义；第3节根据预测任务和学习策略组织基于深度学习的现有方法；第4节和第5节分别总结了公开可用的数据集和评估指标；第6节讨论了代表性应用；第7节指出了新兴研究机会；第8节总结了本综述。

章节片段
初步
本节首先阐述了理解信息扩散过程的基本概念。同时，我们在数学上定义了信息级联预测任务，包括微观层面的信息扩散预测、宏观层面的信息流行度预测和多尺度预测。
方法论
在本节中，图7展示了本综述所采用的总体分类体系，并为后续方法分析提供了结构基础。该分类体系首先将信息级联预测分为三个预测任务——信息流行度预测、信息扩散预测和多尺度预测——然后根据其潜在学习策略进一步组织相应的方法。对于信息流行度预测，现有
数据集与不同模型的性能
在本节中，我们描述了典型和公开可用的数据集。
评估指标
在本节中，根据上述任务定义，我们主要概述常见的评估指标，分别讨论它们的优点、缺点和适用场景，如下表3所示。
学术引用
学术引文网络，作为科学知识传播的核心载体，不仅揭示了学术论文之间的引用关系，还反映了作者之间的合作关系。文章的出版或引用关系构成了频繁的信息级联现象。根据引用关系，信息扩散预测可以准确预测学术论文之间的隐含关联（例如，合作
机会
在本节中，我们讨论了信息级联预测的潜在未来研究方向，包括模型可解释性、模型复杂度、中间层面和大语言模型。
结论
在本文中，我们全面回顾了近年来基于深度学习的信息级联预测方法，主要包括信息流行度预测、信息扩散预测和多尺度预测，强调深度学习的重要性。根据信息级联的任务类型和学习策略，我们首先提出了一种新的分类法，将信息级联预测方法分为三类及其
CRediT作者贡献声明
Yanchao Liu：写作——原稿，方法论，调查，概念化。QinLing Lei：写作——审阅与编辑，监督，数据管理。Muhammet Deveci：形式分析。Pengfei Zhang：数据管理。Jinpeng Zhang：资源。Lei Shi：写作——审阅与编辑，监督。Zhen Liu：调查，资金获取。Fang Xu：可视化。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
Yanchao Liu|QinLing Lei|Muhammet Deveci|Pengfei Zhang|Jinpeng Zhang|Lei Shi|Zhen Liu|Fang Xu