随着社交媒体的飞速发展，信息传播的模式发生了巨大变化，尤其是在社交网络中，信息的传播常常表现出级联式扩散的特性。这种现象不仅出现在微博的转发或科学论文的引用中，也体现在广告推广、病毒式营销等多个领域。如何预测信息级联的传播规模和路径，已经成为信息科学、社交网络分析等领域的核心问题。然而，社交网络的复杂性以及用户行为的异质性给信息级联预测带来了重大挑战。在这种背景下，深度学习作为一种强大的数据驱动方法，逐渐成为信息级联预测的研究热点。

研究依据与内容

传统的信息级联预测方法通常依赖于特征工程、生成模型等技术，这些方法虽然在一定程度上揭示了信息传播的规律，但其局限性也十分明显。特征工程方法需要大量人工提取特征，难以捕捉复杂的传播模式；生成模型虽然具备一定的解释性，但在处理大规模和多模态数据时显得力不从心。而深度学习模型则能够从海量数据中自动学习特征，尤其在处理时间序列、图结构和多模态数据方面展现出独特优势。基于此，作者的研究对深度学习在信息级联预测中的应用进行了全面综述，梳理了当前的研究现状，并结合对称性特性，提出了一种新的分类框架。

基于深度学习的信息级联预测方法分类

本研究从预测目标和预测方法两个维度对现有研究进行了系统分类。在预测目标方面，信息级联预测可以分为微观预测、宏观预测和多尺度预测。微观预测关注节点层面的传播行为，旨在揭示关键节点及其影响路径；宏观预测从全局网络视角分析信息的传播规模与影响力；多尺度预测试图同时捕捉微观行为和宏观模式，提供更全面的传播动态分析。在预测方法方面，作者将现有研究分为基于拓扑结构的预测、基于内容特征的预测和基于大模型的预测。拓扑方法强调信息传播网络中的结构特性，揭示对称结构对信息传播的优化作用，通常采用图神经网络等技术；内容方法聚焦于信息本身的语义特征，通过自然语言处理技术提取内容特性；大模型方法则充分利用了预训练语言模型和Transformer等先进技术，实现了多模态和复杂场景的精准预测。深度学习方法在信息级联预测中的应用优势显而易见。例如，图神经网络能够有效捕捉网络节点之间的复杂关系，在建模动态网络结构和预测节点行为方面表现出色。基于内容的预测方法则利用文本、图像等多模态数据，更全面地分析信息的传播潜力。此外，预训练大模型的引入显著提升了模型的预测精度。以Transformer为代表的大模型通过多头注意力机制，不仅能够捕捉信息传播的长期依赖，还能处理实时动态数据。这些模型还具备整合多模态数据的能力，进一步推动了信息级联预测的发展。

尽管取得了显著进展，信息级联预测领域仍面临诸多挑战。首先，多模态信息的融合仍然存在难点。不同模态之间的语义冗余和异构性增加了建模的复杂性。其次，信息传播的时间动态特性尚未得到充分研究，尤其是如何实时捕捉传播趋势并快速调整预测结果。最后，大模型的可解释性问题也亟待解决。在实际应用中，模型决策的透明度和可信度对于社交媒体监测、危机管理等领域至关重要。针对这些问题，作者提出了多模态信息融合、时间动态建模和大模型可解释性等未来研究方向，并建议进一步探索异构网络结构的智能建模，以更全面地捕捉信息传播规律。

研究总结

综上所述，本研究系统梳理了深度学习在信息级联预测中的应用现状，从预测目标和方法两个维度对现有研究进行了分类，并详细讨论了相关模型的优势与不足。此外，作者深入探讨了对称性在信息扩散网络中的作用，揭示了网络中对称结构如何优化信息传播路径，提升信息扩散的效率与级联传播的可预测性。这种对称性特征不仅有助于网络节点间关系的均衡传递，还为信息级联建模提供了结构约束与优化依据，进一步促进了复杂网络中传播规律的精准刻画。深度学习技术凭借其强大的特征学习能力和多模态数据处理能力，为信息传播规律的研究提供了全新视角，同时也显著提升了预测的精准度与适用性。然而，随着社交网络的不断发展，信息传播过程日益复杂，研究领域仍面临诸多挑战，包括多模态信息融合、时间动态建模以及大模型的可解释性等问题。未来的研究应进一步优化多模态数据的整合方法，引入更加高效的实时动态建模技术，并开发具有透明决策机制的可解释性模型，以应对复杂社会网络的传播环境。这些方向的深入探索，不仅将推动学术研究的进步，也将在舆情监测、危机管理和个性化推荐等实际场景中发挥更大的作用。

原文出自 Symmetry 期刊：https://www.mdpi.com/3018282

期刊主页：https://www.mdpi.com/journal/symmetry

Symmetry 期刊介绍

主编：Sergei Odintsov, Institute of Space Sciences (ICE-CSIC), Spain

期刊主题涵盖了所有科学研究中有关对称/非对称现象的理论和应用研究，主要包括数学、计算机、工程与材料、物理学、生命科学、化学等领域的最新进展。期刊已被Scopus、SCIE (Web of Science)、CAPlus/SciFinder等多家知名数据库收录。

2023 Impact Factor：2.2

2023 CiteScore：5.4

Time to First Decision：16.8 Days

Acceptance to Publication：4.6 Days