情報カスケードの人気予測は、ソーシャルネットワークにおけるコンテンツ拡散の分析において重要な問題です。本論文では、いくつかの課題に対処しています。まず、現在の評価手法における時間的漏洩の問題を解決するため、データを連続ウィンドウに時系列で分割する手法を提案しています。次に、豊富なプロモーターや製品属性、実際の購入転換を含む大規模なeコマースカスケードデータセット「Taoke」を導入し、拡散ライフサイクルを包括的にカバーします。最後に、軽量なフレームワーク「CasTemp」を開発し、時間を考慮した注意機構を用いてカスケード動態を効率的にモデル化します。漏洩のない評価の下で、CasTempは4つのデータセットで最先端の性能を実現し、実際のアプリケーションにおいて重要な二段階の人気転換を予測する能力に優れています。