Recently, information cascade prediction has attracted increasing interest from researchers, but it is far from being well solved partly due to the three defects of the existing works. First, the existing works often assume an underlying information diffusion model, which is impractical in real world due to the complexity of information diffusion. Second, the existing works often ignore the prediction of the infection order, which also plays an important role in social network analysis. At last, the existing works often depend on the requirement of underlying diffusion networks which are likely unobservable in practice. In this paper, we aim at the prediction of both node infection and infection order without requirement of the knowledge about the underlying diffusion mechanism and the diffusion network, where the challenges are two-fold. The first is what cascading characteristics of nodes should be captured and how to capture them, and the second is that how to model the non-linear features of nodes in information cascades. To address these challenges, we propose a novel model called Deep Collaborative Embedding (DCE) for information cascade prediction, which can capture not only the node structural property but also two kinds of node cascading characteristics. We propose an auto-encoder based collaborative embedding framework to learn the node embeddings with cascade collaboration and node collaboration, in which way the non-linearity of information cascades can be effectively captured. The results of extensive experiments conducted on real-world datasets verify the effectiveness of our approach.

中文翻译：

---

用于信息级联预测的深度协同嵌入

近年来，信息级联预测引起了越来越多的研究人员的兴趣，但由于现有工作的三个缺陷，它远未得到很好的解决。首先，现有的工作往往假设一个底层的信息扩散模型，由于信息扩散的复杂性，这在现实世界中是不切实际的。其次，现有的工作往往忽略了感染顺序的预测，这在社交网络分析中也起着重要的作用。最后，现有的工作通常依赖于在实践中可能无法观察到的底层扩散网络的要求。在本文中，我们的目标是预测节点感染和感染顺序，而不需要有关潜在扩散机制和扩散网络的知识，其中挑战是双重的。第一个是应该捕获节点的级联特征以及如何捕获它们，第二个是如何对信息级联中节点的非线性特征进行建模。为了应对这些挑战，我们提出了一种称为深度协作嵌入（DCE）的用于信息级联预测的新模型，该模型不仅可以捕获节点结构属性，还可以捕获两种节点级联特征。我们提出了一种基于自动编码器的协作嵌入框架，通过级联协作和节点协作来学习节点嵌入，这样可以有效地捕获信息级联的非线性。在真实世界数据集上进行的大量实验的结果验证了我们方法的有效性。其次是如何对信息级联中节点的非线性特征进行建模。为了应对这些挑战，我们提出了一种称为深度协作嵌入（DCE）的用于信息级联预测的新模型，该模型不仅可以捕获节点结构属性，还可以捕获两种节点级联特征。我们提出了一种基于自动编码器的协作嵌入框架，通过级联协作和节点协作来学习节点嵌入，这样可以有效地捕获信息级联的非线性。在真实世界数据集上进行的大量实验的结果验证了我们方法的有效性。其次是如何对信息级联中节点的非线性特征进行建模。为了应对这些挑战，我们提出了一种称为深度协作嵌入（DCE）的用于信息级联预测的新模型，该模型不仅可以捕获节点结构属性，还可以捕获两种节点级联特征。我们提出了一种基于自动编码器的协作嵌入框架，通过级联协作和节点协作来学习节点嵌入，这样可以有效地捕获信息级联的非线性。在真实世界数据集上进行的大量实验的结果验证了我们方法的有效性。不仅可以捕捉节点的结构特性，还可以捕捉到两种节点级联特性。我们提出了一种基于自动编码器的协作嵌入框架，通过级联协作和节点协作来学习节点嵌入，这样可以有效地捕获信息级联的非线性。在真实世界数据集上进行的大量实验的结果验证了我们方法的有效性。不仅可以捕捉节点的结构特性，还可以捕捉到两种节点级联特性。我们提出了一种基于自动编码器的协作嵌入框架，通过级联协作和节点协作来学习节点嵌入，这样可以有效地捕获信息级联的非线性。在真实世界数据集上进行的大量实验的结果验证了我们方法的有效性。