AutoCas: Autoregressive Cascade Predictor in Social Networks via Large Language Models
作者: Yuhao Zheng, Chenghua Gong, Rui Sun, Juyuan Zhang, Liming Pan, Linyuan Lv
发布时间: 2025-02-27
来源: arxiv
研究方向: 社交网络信息传播与预测
主要内容
本文提出了一种名为AutoCas的新型框架，旨在利用大型语言模型（LLM）预测社交网络中的信息传播流行度。该框架通过对信息传播过程进行token化，并将其与语言生成过程进行对齐，从而将LLM应用于信息传播预测。
主要贡献
1. 首次将LLM应用于信息传播预测领域，提出AutoCas框架。
2. 将信息传播过程重新定义为自回归模型，以充分利用LLM架构的优势。
3. 引入了基于文本的提示学习，以促进LLM与信息传播预测任务的深度融合。
4. 在多个真实世界数据集上进行了实验，验证了AutoCas在信息传播预测任务中的优越性能和可扩展性。
研究方法
1. 信息传播token化
2. 自回归信息传播建模
3. 基于文本的提示学习
4. 大型语言模型（LLM）
实验结果
AutoCas在信息传播预测任务中显著优于现有方法，并在多个真实世界数据集上取得了优异的性能。实验结果表明，AutoCas能够有效地捕捉信息传播过程中的时间依赖性和动态变化，并展现出LLM的扩展行为。
未来工作
未来工作将探索将社会数据和自然语言进行统一建模的可能性，以及构建社会计算领域的基础模型。