Apprentissage de représentations pour la modélisation de processus de diffusion dans les réseaux sociaux

摘要

Le modèle Independent Cascades (IC) est un modèle central pour la capture des dynamiques de diffusion d'information sur les réseaux sociaux. Nous nous intéressons ici à l'apprentissage des probabilités de transmission utilisées par ce modèle. Plutôt que de directement travailler sur le graphe du réseau social considéré, ce qui implique un coût important dû au nombre de paramètres à apprendre pour les réseaux denses, nous proposons une approche basée sur des techniques d'apprentissage de représentations, afin d'alléger le processus et de gagner en généralisabilité. L'idée est de chercher une projection des utilisateurs du réseau dans un espace vectoriel, de manière à ce que les distances entre les individus représentent leurs probabilités de transmission d'information. Les expérimentations menées démontrent la pertinence de l'approche pour la modélisation des dynamiques de diffusion.%Based on the well-known Independent Cascade (IC) model, we embed users of the social network in a representation space to extract more robust diffusion probabilities than those defined by classical graphical learning approaches for social influence modeling. Better generalization abilities provided by the use of such a pro­jection space allows our approach to present good performances on various real-world datasets, for both diffusion prediction and influence relationships inference tasks.