AutoCas: Autoregressive Cascade Predictor in Social Networks via Large Language Models
작성자
- Haebom
카테고리
비어 있음
저자
Yuhao Zheng, Chenghua Gong, Rui Sun, Juyuan Zhang, Liming Pan, Linyuan Lv
개요
본 논문은 소셜 컴퓨팅에서 바이럴 마케팅, 가짜 정보 통제, 콘텐츠 추천 등에 광범위하게 활용되는 정보 확산의 인기 예측에 초점을 맞춥니다. 정보 확산 메커니즘, 사용자 행동, 시간적 활동 패턴의 다양성을 고려하여 다양한 변화에 적응할 수 있는 기본 모델의 필요성을 강조합니다. 기존의 방대한 데이터셋을 사용하는 대규모 언어 모델(LLM)과 달리, 정보 확산 데이터는 상대적으로 제한적입니다. 본 논문에서는 다양한 시계열 영역에서의 공통점을 활용하여 LLM을 시계열 예측에 활용하는 최근 연구를 바탕으로, 정보 확산의 인기 예측을 위해 특별히 설계된 LLM 강화 모델인 Autoregressive Information Cascade Predictor (AutoCas)를 제시합니다. AutoCas는 정보 확산 데이터를 토큰화하고, 정보 확산을 자기회귀 모델링 작업으로 재구성하여 LLM의 아키텍처 강점을 활용합니다. 또한 프롬프트 학습을 도입하여 LLM과 정보 확산 예측 간의 시너지를 향상시킵니다. 실험 결과, AutoCas는 기준 모델보다 정보 확산 인기 예측에서 성능이 훨씬 뛰어나며, LLM에서 상속된 확장성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 정보 확산 인기 예측의 정확도를 향상시킬 수 있음을 보여줌.
◦
정보 확산 데이터의 특성을 고려한 토큰화 및 자기회귀 모델링 기법 제시.
◦
프롬프트 학습을 통해 LLM과 정보 확산 예측 간 시너지 효과 증대.
◦
LLM의 확장성을 활용하여 향후 더욱 많은 데이터를 처리할 수 있는 가능성 제시.
•
한계점:
◦
제시된 모델의 일반화 성능에 대한 추가적인 검증 필요.
◦
다양한 유형의 정보 확산 데이터에 대한 성능 비교 분석 부족.
◦
LLM의 계산 비용 및 환경적 영향에 대한 고려 부족.
◦
실제 적용 시 발생할 수 있는 문제점 및 해결 방안에 대한 추가 연구 필요.
