Predictive modeling of online social behaviour using Dynamic Graph Neural Networks

Abstract

Το κύριο αντικείμενο αυτής της διατριβής είναι ο σχεδιασμός και η αξιολόγηση ενός Μοντέλου Δυναμικών Νευρωνικών Δικτύων Γράφων (Dynamic Graph Neural Network - DGNN) ως ένα από τα εργαλεία για την ανάλυση σύνθετων συμπεριφορικών ιχνών που καταγράφονται σε ένα χρονικά μεταβαλλόμενο κοινωνικό δίκτυο. Οι περισσότερες συμβατικές προσεγγίσεις παραλείπουν την ενσωμάτωση της χρονικής δυναμικής και της πολυτροπικής ενσωμάτωσης δεδομένων, που είναι πολύ σημαντικές για την ακριβή ανάλυση των κοινωνικών δικτύων. Λαμβάνοντας υπόψη αυτές τις παρατηρήσεις, αυτή η εργασία προτείνει ένα μοντέλο DGNN που συνδυάζει τη σύγκλιση γράφων με μηχανισμούς χρονικής κωδικοποίησης για την αποτύπωση των δομικών και χρονικών εξαρτήσεων με αποτελεσματικότητα. Το μοντέλο γίνεται προσαρμοστικό και ερμηνεύσιμο λόγω της σταδιακής μάθησης και των μηχανισμών προσοχής. Σχετικά με τις εμπειρικές μελέτες σε ορισμένα πραγματικά σύνολα δεδομένων, όπως οι αλληλεπιδράσεις στο Twitter και οι ακαδημαϊκοί συνεργατικοί γράφοι, τα μοντέλα DGNN παρέχουν ανώτερη απόδοση στην πρόβλεψη της συμπεριφοράς των χρηστών, της διάχυσης της πληροφορίας και των τάσεων σε σύγκριση με τα βασικά μοντέλα. Τα αποτελέσματα αυτής της έρευνας δείχνουν τις πραγματικές εφαρμογές του DGNN στην ανάλυση κοινωνικών μέσων, το μάρκετινγκ και τις πολιτικές σχετικές εργασίες, μεταξύ άλλων, παρέχοντας πολύ χρήσιμες πληροφορίες και εργαλεία για ερευνητές και επαγγελματίες. Αυτή η εργασία πλησιάζει ένα βήμα πιο κοντά στην πραγματική ανάπτυξη της δυναμικής ανάλυσης κοινωνικών δικτύων, παρέχοντας ένα ισχυρό πλαίσιο για περαιτέρω μελέτες και εφαρμογές.