融合时空注意力和异构图卷积网络的信息扩散预测方法技术

本发明专利技术提出了一种融合时空注意力和异构图卷积网络的信息扩散预测方法，包括以下步骤：S1，利用多层图卷积网络学习行为图的最终用户表示或影响力图结构的最终用户表示；S2，进行实时预测信息，将时间序列嵌入到异构图；S3，用多头注意力网络机制进行信息扩散预测；S4，对步骤S3进行优化。本发明专利技术提高了对用户上下文编码、学习以及捕获上下文依赖信息的效率，以及有效提高信息扩散预测精度。以及有效提高信息扩散预测精度。以及有效提高信息扩散预测精度。

【技术实现步骤摘要】
融合时空注意力和异构图卷积网络的信息扩散预测方法


[0001]本专利技术涉及信息传播领域，尤其涉及一种融合时空注意力和异构图卷积网络的信息扩散预测方法。

技术介绍

[0002]社交网络如今成为人们日常生活中不可或缺的一部分，它的出现使人们之间的交流更加方便，人们可以更容易的发布或传递某些信息。无线通信技术和互联网的飞速发展以及通信设备的便捷化和智能化极大的促进信息传播与信息交互变得更加快速、便捷。在线社交网络预测传播在实际应用中发挥着举足轻重的作用，有效的根据现实情况预测未来趋势来采取行动，阻止了虚假信息的传播并有效的进行相关工作的实施。
[0003]信息预测即是研究信息在人们之间是如何传播的，并据此判断接下来信息的发展趋势，人们根据发展趋势采取一定措施促进传播或抑制，在最短的时间内实现最好的预测是信息预测达到的最理想的状态。信息扩散预测是一项重要而具有挑战性的任务，它旨在预测信息级联的未来属性或行为，例如预测传播范围大小或预测下一个受感染的用户。目前信息扩散预测研究的应用也很普遍，包括流行病学、病毒式营销、媒体广告和新闻的传播。对信息预测分析建模，不仅有利于发现社交网络中传播的特点和演变规律，而且有利于了解社交网络或病毒式营销中信息传播的演化趋势，从而达到对信息进行有效干预和实时控制。
[0004]对于信息扩散预测的研究，一些学者主要利用用户之间的社交关系网络，即社会影响力，进行信息扩散预测，还有一些学者主要利用用户以往的扩散行为学习用户表示，提出一些有关扩散路径的模型进行预测。从用户的扩散行为图中可以看出该用户最近的感兴趣话题以及关注对象，人们往往对自己感兴趣的事情有更大的转发可能，通过分析用户扩散行为可以分析该用户是否对该类信息感兴趣，从而大大提高预测该信息预测的准确率。以往的扩散行为路径可以反映出一定时间内消息的传播路径趋势，因此这些模型在一定程度上能够很好的预测出用户扩散序列，根据扩散序列追溯，大大提高信息扩散传播的准确率，了解信息的传播趋势之后才能更好的决定对信息进行传播或抑制。
[0005]除了根据用户以往的扩散行为进行信息的扩散预测以外，一些学者也利用用户的影响力来进行信息预测。根据用户同质性，一般情况下，相似的个体更容易有相同的兴趣爱好，同样的情况下更容易采取相似的行为。根据“物以类聚，人以群分”的原理，相同领域的研究者更容易建立社交关系，参加相同的学术报告或会议等，同理他们有更大的可能性成为朋友。根据用户的影响力，社会关系会影响个体特征，根据影响力的不同，影响范围也不一样，从而预测到的信息传播序列也不同，得到的信息传播趋势也不尽相同，根据这个假设，许多研究利用用户间的社交网络学习用户之间的同质性和影响力，来提高预测性能。除此之外，时间对信息的扩散也有影响，发生在最近的信息往往使人们记忆深刻，发生在时间久远的信息可能会使人们忽略，比如处于热搜的信息则更容易使人们关注或转发，过了这个时间段，热搜则会慢慢的淡出人们的视线，那么多年之后该消息可能会销声匿迹，到那时
该消息的影响力则是微乎及微的。信息是具有时效性的，因此在考虑信息预测时，时间对提高信息传播预测准确率也很重要。
[0006]以往的大多数研究人员关注传统的关系模型，早期的研究工作假设在信息扩散过程中存在一个先验的扩散模型，如独立级联模型或线性阈值模型。虽然这些模型能够很好的拟合了用户之间的影响关系，但是不可避免的引入了噪声、部分关系特征，而且这些关系通常不能够学习复杂的、深度的关系特征。现实生活中的用户的社交网络都涉及实例之间复杂的依赖关系，这些方法的有效性依赖于先验信息扩散模型的假设，但是这些假设在实践中是很难去验证的，使得信息预测的准确性不高。

技术实现思路

[0007]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种融合时空注意力和异构图卷积网络的信息扩散预测方法。
[0008]为了实现本专利技术的上述目的，本专利技术提供了一种融合时空注意力和异构图卷积网络的信息扩散预测方法，包括以下步骤：
[0009]S1，利用多层图卷积网络学习行为图的最终用户表示或影响力图结构的最终用户表示；
[0010]S2，进行实时预测信息，将时间序列嵌入到异构图；
[0011]S3，用多头注意力网络机制进行信息扩散预测；
[0012]S4，对步骤S3进行优化。
[0013]S5，将扩散预测的信息进行展示。
[0014]进一步地，所述S1中的学习的机制包括：
[0015][0016][0017]其中，是第n+1层用户关注关系的用户表示；
[0018]σ(
·
)为激活函数；
[0019]F
A
表示影响力图中的关注关系的邻接矩阵；
[0020]X
(n)
表示第n层的用户表示；
[0021]是第n层用户关注关系的可学习参数；
[0022]是第n+1层用户转发关系的用户表示；
[0023]表示t
i
时刻的转发关系的邻接矩阵；
[0024]t
i
是用户异构网络的时间间隔；
[0025]是第n层用户转发关系的可学习参数。
[0026]进一步地，所述S1中的用户表示融合包括：
[0027]S
‑
A，计算节点v
i
影响力中的关注关系和行为图中的转发关系之间的权重大小；
[0028]S
‑
B，采用注意力网络进行节点的特征学习，将得到的权重矩阵和用户关系表示进
行哈达玛积得到最后的用户表示。
[0029]进一步地，所述S2中的时间序列嵌入的方法包括：
[0030]近似策略或注意力机制策略；
[0031]所述注意力机制策略包括：
[0032]t'＝mixTogether(t
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0033][0034][0035]其中，t'为将时间间隔转化为时间嵌入后的结果表示；
[0036]mixTogether(
·
)为将时间间隔嵌入的函数；
[0037]α
i
为权重系数；
[0038]softmax(
·
)为归一化函数；
[0039]表示t
i
时刻的用户表示；
[0040]k
i
是一个掩码矩阵；
[0041]v'最终的用户表示；
[0042]T表示一共有T个时刻。
[0043]进一步地，所述S3中的信息扩散预测的公式为：
[0044][0045][0046]其中，softmax(
·
)为归一化函数；
[0047]V'表示扩散序列；
[0048]·
T
表示矩阵的转置；
[0049]d
r
＝d/G，d是用户嵌入表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合时空注意力和异构图卷积网络的信息扩散预测方法，其特征在于，包括以下步骤：S1，利用多层图卷积网络学习行为图的最终用户表示或影响力图结构的最终用户表示；S2，进行实时预测信息，将时间序列嵌入到异构图；S3，用多头注意力网络机制进行信息扩散预测；S4，对步骤S3进行优化。2.根据权利要求1所述的一种融合时空注意力和异构图卷积网络的信息扩散预测方法，其特征在于，所述S1中的学习的机制包括：所述S1中的学习的机制包括：其中，是第n+1层用户关注关系的用户表示；σ(
·
)为激活函数；F
A
表示影响力图中的关注关系的邻接矩阵；X
(n)
表示第n层的用户表示；是第n层用户关注关系的可学习参数；是第n+1层用户转发关系的用户表示；表示t
i
时刻的转发关系的邻接矩阵；t
i
是用户异构网络的时间间隔；是第n层用户转发关系的可学习参数。3.根据权利要求1所述的一种融合时空注意力和异构图卷积网络的信息扩散预测方法，其特征在于，所述S2中的时间序列嵌入的方法包括：近似策略或注意力机制策略；所述注意力机制策略包括：t'＝mixTogether(t
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)(6)其中，t'为将时间间隔转化为时间嵌入后的结果表示；mixTogether(
·
)为将时间间隔嵌入的函数；α
i
为权重系数；softmax(
·
)为归一化函数；表示t
i
时刻的用户表示；k
i
是一个掩码矩阵；
v'最终的用户表示；T表示一共有T个时刻。4.根据权利要求1所述的一种融合时空注意力和异构图卷积网络的信息扩散预测方法，其特征在于，所述S3中的信息扩散预测的公式为：所述S3中的信息扩散预测的公式为：其中，softmax(
·
)为归一化函数；V'表示扩散序列；
·
T
表示矩阵的转置；d
r
＝d/G，d是用户嵌入表示的维度，G是多头注意力的头数；C
ij
是一个掩码矩阵；M表示最终预测的用户表示；表示对b
h
进行拼接，...

【专利技术属性】
技术研发人员：刘小洋，苗琛香，李慧，肖伟，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：