基于稀疏动态模式分解的动态在线社交网络信息扩散预测方法

《Scientific Reports》：Data-driven prediction of information diffusion in online social networks using sparse dynamic mode decomposition

　　

摘要

预测信息在在线社交网络中的传播方式需要模型能够同时处理不断变化的网络结构和动态的用户互动。现有的流行方法要么基于流行病模型的变体，要么从原始数据中学习，它们要么过于简化了网络动态，要么需要大量的计算资源，并且通常导致解释能力有限。本文提出了一种基于稀疏动态模式分解（Sparse DMD）的数据驱动信息扩散预测方法，用于动态在线社交网络。该模型通过从时间网络快照中提取主导的时空模式来学习结构和扩散动态，这些模式能够捕捉信息传播的局部和全局模式。来自五个真实世界数据集（Higgs、Facebook论坛、Digg、Email-EU、Wiki-Talk）的实验结果表明，我们的方法在独立预测任务（第1层）中的表现始终比传统的机器学习基线高出15-30%。与用于联合演化预测问题的复杂深度学习架构（第2层）相比，Sparse DMD的准确率在1.3%以内，同时将计算成本降低了7到30倍。这种模态分解提供了对主导传播路径和时间趋势的可解释性洞察。这些结果证明了Sparse DMD是一个高效、可解释且可扩展的框架，用于理解和预测动态社会系统中的信息传播。