HierCas：基于层次化时间图注意力网络的信息传播中的流行度预测
原文中文，约300字，阅读约需1分钟。发表于：。本文提出了一种名为 HierCas 的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas 有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的 HierCas 明显优于最先进的方法。
该文介绍了一种基于层次自注意力网络框架的论文审阅评级预测和推荐方法，可作为学术论文审阅过程的有效决策工具。该方法通过分层结构识别有用的预测器，并帮助发现评审者所传达的数值评级和文本情感之间的不一致性。同时，引入了两个新的度量标准来评估数据不平衡情况下的模型。经过实验验证，该方法相比于最先进的方法表现更卓越。
