计算传播学开题报告的信息扩散预测:LSTM与GCN模型对比

计算传播学开题报告聚焦信息扩散预测，对比LSTM与GCN模型，LSTM作为循环神经网络变体，擅长处理序列数据，能捕捉信息扩散中的时间依赖性；GCN作为图神经网络，可处理图结构数据，挖掘节点间关系对信息扩散的影响，研究旨在通过对比二者在信息扩散预测任务上的表现，分析其优缺点，为计算传播学领域提供更有效的信息扩散预测方法，助力理解信息传播机制。

计算传播学开题报告：信息扩散预测中LSTM与GCN模型对比

研究背景与意义

1. 研究背景

   • 信息扩散的复杂性：社交媒体时代，信息传播呈现多节点、动态化、非线性特征，传统传播模型（如独立级联模型、线性阈值模型）难以捕捉复杂网络中的时空依赖关系。
   • 深度学习的应用：LSTM（长短期记忆网络）和GCN（图卷积网络）作为两种主流深度学习模型，分别在时间序列预测和图结构数据处理中表现突出，但其在信息扩散预测中的适用性尚未系统对比。
   • 计算传播学的需求：精准预测信息扩散路径和范围，可为舆情监控、广告投放、谣言治理等提供理论支持。

2. 研究意义

   • 理论意义：对比LSTM与GCN在信息扩散预测中的性能差异，揭示时间序列模型与图结构模型在传播动力学中的适用边界。
   • 实践意义：为不同场景（如短期热点预测 vs. 长期网络传播）提供模型选择依据，优化传播策略。

文献综述

1. 信息扩散预测模型

   • 传统模型：基于概率的级联模型、阈值模型。
   • 深度学习模型：
     • LSTM：通过门控机制捕捉时间依赖性，适用于动态传播序列（如转发链）。
     • GCN：通过图结构聚合邻居信息，适用于静态或动态网络中的节点影响预测。
   • 混合模型：部分研究尝试结合LSTM与GCN（如TGAT、DySAT），但缺乏系统性对比。

2. 现有研究的不足

   • 单一模型适用性分析不足,未明确不同场景下模型优劣。
   • 缺乏对动态图（如时序社交网络）中LSTM与GCN性能的对比。
   • 评估指标单一,多关注准确率而忽视传播路径的合理性。

研究问题与假设

1. 核心问题

   • LSTM与GCN在信息扩散预测中的性能差异如何？
   • 不同数据特征（如网络密度、时间窗口）如何影响模型选择？

2. 研究假设

   • H1：LSTM在短期、高频率信息扩散预测中表现优于GCN。
   • H2：GCN在长期、低频次但依赖网络结构的信息扩散中表现更优。
   • H3：动态图场景下，结合时序与图结构的混合模型（如TGAT）性能最佳。

研究方法

1. 数据集

   • 公开数据集：Twitter话题传播数据、Weibo谣言扩散数据。
   • 合成数据集：模拟不同网络结构（随机图、小世界网络）下的传播过程。

2. 模型构建

   • LSTM模型：
     • 输入：时间序列化的节点激活状态（如转发时间戳）。
     • 输出：下一时刻的扩散概率。
   • GCN模型：
     • 输入：静态/动态图结构（邻接矩阵）与节点特征（如用户影响力）。
     • 输出：节点未来被激活的概率。
   • 基准模型：传统传播模型（如IC、LT）、随机森林等机器学习方法。

3. 实验设计

   • 任务1：短期预测（如未来1小时内的转发量）。
   • 任务2：长期预测（如未来24小时内的扩散范围）。
   • 任务3：动态图场景下的时序预测（如逐小时更新图结构）。
   • 评估指标：MAE（平均绝对误差）、RMSE（均方根误差）、AUC（ROC曲线下面积）、传播路径相似度。

预期贡献

1. 理论贡献

   • 明确LSTM与GCN在信息扩散预测中的适用场景,完善计算传播学的模型选择框架。
   • 提出基于数据特征的模型选择指南（如网络密度、时间粒度）。

2. 实践贡献

   • 为舆情分析、营销推广等场景提供模型部署建议。
   • 开源对比代码与数据集,推动领域研究透明化。

研究计划

潜在挑战

1. 数据稀疏性：部分数据集可能存在长尾分布，影响模型训练。
2. 动态图建模：GCN在时序图中的扩展（如TGAT）实现复杂度高。
3. 可解释性：深度学习模型的黑箱特性可能限制传播机制的解释。

参考文献

• 关键文献：
  • Kipf, T. N., & Welling, M. (2016). Semi-Supervised Classification with Graph Convolutional Networks.
  • Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory.
  • 计算传播学相关论文（如《计算传播学导论》）。
• 数据集：SNAP（斯坦福网络分析平台）、Weibo公开数据集。

备注：可根据实际研究需求调整模型细节（如使用BiLSTM、GAT等变体）或增加案例研究（如COVID-19谣言扩散），建议结合可视化工具（如Gephi、PyTorch Geometric）辅助分析。