双向社会影响学习的传播流行度预测方法技术

本发明专利技术公开了一种双向社会影响学习的传播流行度预测方法。所述方法包括以下步骤：收集信息传播网络数据，构建信息传播的图序列数据；构建基于图序列注意力网络的模型；构建基于图序列注意力网络和解码器结合的宏观动态流行度预测模型；将图序列数据输入到基于图序列注意力网络和解码器结合的宏观动态流行度预测模型进行迭代训练；输入信息传播的图序列数据，利用训练获得的模型对信息传播不同时刻的流行度进行预测。本发明专利技术应用多层次的双向注意力机制对传播动态图的时空特征进行学习，有效地学习不同时刻传播网络子图的局部和全局的依赖关系，考虑前后时刻传播子图在结构上的双向社会影响信息，具有较好的可用性。具有较好的可用性。具有较好的可用性。

【技术实现步骤摘要】
双向社会影响学习的传播流行度预测方法


[0001]本专利技术涉及社交网络信息传播研究领域，具体涉及一种双向社会影响学习的传播流行度预测方法。

技术介绍

[0002]在线社交网络为信息传播提供了平台渠道，满足了用户表达自我、传递创新思想、传播科技信息的需求，也为企业竞品分析、营销策划创新提供了渠道。社交网络同时方便群众及时了解地方政府办事机构、企事业单位发布的信息，减少线下社交网络存在的信息隔阂。信息传播流行度预测，能够帮助我们挖掘和推荐高质量的、能够引起广泛用户兴趣的微博或文章。通过对传播流行度的动态变化进行建模和预测，能够帮助我们理解用户之间传播行为的社会驱动因素。研究信息传播宏观流行度增长趋势，在信息传播早期对未来传播流行度进行预测，有着重要社会意义和商业价值。
[0003]信息在社交网络的级联传播轨迹构成了动态的信息级联传播网络，级联传播网络记录了信息的动态增长过程，其网络结构也随时间变化，每个时间段内的传播规模(流行度)也随着时间变化。信息或微博的发布者依靠信息内容的吸引力和自身的社会影响力引起用户产生转发行为，用户的转发行为也影响了传播的增长，信息传播中社会影响存在双向性。社交网络的传播具有双向社会影响的特点，这种双向性启发我们在建立传播模型时，不仅要学习前向结构的信息，还需要考虑后向的结构信息。在现有的技术中，DeepHawkes模型[Cao Q，Shen H，Cen K，et al.Deephawkes：Bridging the gap between prediction and understanding of information cascades]学习传播路径上的路径特征向量，使用循环神经网络学习霍克斯过程的时序特征，对信息传播静态流行度进行预测，但无法对每个时刻传播子图的动态特性进行建模。
[0004]现有的基于循环神经网络或图神经网络等技术在学习某个时刻节点和图的特征时，没能同时考虑前后时刻的子图特征，难以学习到传播中的双向社会影响，传统的图神经网络GNN大多只适用于静态图结构学习，不能对于动态图网络进行建模，而信息传播网络、学术引文网络、社交关系网络等是一种动态图，图的结构随着时间变化，现有的图神经网络难以直接应用其中。

技术实现思路

[0005]本专利技术的目的是针对现有技术的不足，提供了一种基于双向社会影响学习的传播流行度预测方法。
[0006]本专利技术的目的至少通过如下技术方案之一实现。
[0007]双向社会影响学习的传播流行度预测方法，包括以下步骤：
[0008]S1、收集信息传播网络数据，构建信息传播的图序列数据，包括图邻接矩阵、节点表示特征和时序表示特征数据；
[0009]S2、构建基于图序列注意力网络的模型，包括基于节点级别的双向局部图注意力
和图级别的双向图序列注意力机制的图变形模块和变形编码模块；
[0010]S3、构建基于图序列注意力网络和解码器结合的宏观动态流行度预测模型，包括图序列注意力网络和时序感知注意力解码器；
[0011]S4、将图序列数据输入到基于图序列注意力网络和解码器结合的宏观动态流行度预测模型进行迭代训练；
[0012]S5、输入信息传播的图序列数据，利用训练获得的基于图序列注意力网络和解码器结合的宏观动态流行度预测模型对信息传播不同时刻的流行度进行预测。
[0013]进一步地，步骤S1中，收集信息传播网络数据，信息在社交网络中传播形成传播网络，用户v在时间t转发用户u发布的帖子m构成一个传播四元组数据(v，u，t，m)；在时刻i，一个贴子m的发布者和全部转发者构成一个传播网络G
i
；将传播网络建模为一个图序列，所有时刻的传播网络G
i
构成一个图序列数据，记为{G0，G1，...，G
T
，G
T+1
，G
T+2
，...}，t＝0，1，2...，T，其中T是观察时刻，在时刻i对应的子图快照的节点特征和子图结构记为和N
i
是时刻i的子图G
i
的节点数量，F是节点初始特征维度，时刻i的时序特征记为所有时刻的时序特征、节点特征、子图结构分别构成图序列数据的时序表示特征、节点表示特征和图邻接矩阵数据。
[0014]进一步地，步骤S2中，基于双向局部图注意力具体如下：
[0015]一个节点在传播子图中的特征不仅与当前的邻居有关系，还受到前向和后向时刻的子图影响，计算公式为：
[0016][0017]其中，f
combine
是组合当前节点特征和前后时刻节点特征的方法，表示节点v在时刻t的传播子图的特征。
[0018]双向局部图注意力中节点的邻居节点对该节点的社会影响具体如下：
[0019]节点v的初始特征x
v
通过一个神经网络层被转化为转化特征计算公式为：
[0020][0021]其中，W
l
是神经网络层的参数，F表示x
v
的l层初始化特征维度，F
l
是l层转化特征的特征维度，LeaklyReLU是激活函数；
[0022]节点v通过神经网络层转化后的转化特征和节点v的邻居节点u的转化特征进行聚合，u∈N(v)，N(v)为节点v的邻居节点集合，方法如下：
[0023][0024]其中，f
prop
为计算注意力值的方法，例如为计算注意力值的方法，例如是注意力机制共享神经网络参数，e
uv
为节点v的邻居节点u对节点v的注意力值，为计算节点v对节点u的注意力值。
[0025]节点v的邻居节点u作用于节点v的权重计算方式为：
[0026][0027]其中，α
uv
为经过归一化后节点v的邻居节点u对节点v的注意力系数，节点k为节点v的邻居节点集合中的某一个节点，e
kv
为节点v的邻居节点k对节点v的注意力值。
[0028]计算节点v聚合更新后的转化特征计算方法如下：
[0029][0030]其中，σ是激活函数，记一个节点在传播子图中的特征还会受到前向和后向时刻的子图影响，前一时刻t
‑
1的子网络G
t
‑1中节点u对节点v的社会影响计算方法如下：
[0031][0032][0033]其中，u∈V
t
‑1，V
t
‑1为前一时刻t
‑
1子网络中节点v的邻居节点集合，f为当前时刻和前向时刻节点聚合系数的计算方法，设为节点特征的欧式空间，n为特征的维度，后一时刻t+1的子网络G
t+1
中节点u对节点v的社会影响计算方法如下：
[0034][0035][0036]其中，u∈V
t+1
，V
t+1
为后一时刻t+1子网络中节点v的邻居节点集合。
[0037]进一步地，步骤S2中，基于双向图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双向社会影响学习的传播流行度预测方法，其特征在于，包括以下步骤：S1、收集信息传播网络数据，构建信息传播的图序列数据，包括图邻接矩阵、节点表示特征和时序表示特征数据；S2、构建基于图序列注意力网络的模型，包括基于节点级别的双向局部图注意力机制和基于图级别的双向图序列注意力机制的图变形编解码模块；S3、构建基于图序列注意力网络和解码器结合的宏观动态流行度预测模型，包括图序列注意力网络和时序感知注意力解码器；S4、将图序列数据输入到基于图序列注意力网络和解码器结合的宏观动态流行度预测模型进行迭代训练；S5、输入信息传播的图序列数据，利用训练获得的模型对信息传播不同时刻的流行度进行预测。2.根据权利要求1所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，步骤S1中，收集信息传播网络数据，信息在社交网络中传播形成传播网络，用户v在时间t转发用户u发布的帖子m构成一个传播四元组数据(v，u，t，m)；在时刻i，一个贴子m的发布者和全部转发者构成一个传播子图G
i
；将传播网络建模为一个图序列，所有时刻的传播网络G
i
构成一个图序列数据，记为{G0，G1，...，G
T
，G
T+1
，G
T+2
，...}，其中T是观察时刻，在时刻i对应的子图快照的节点特征和子图结构分别记为X
i
和A
i
，N
i
是时刻i的子图G
i
的节点数量，F是节点初始特征维度，时刻i的时序特征记为tp
i
，所有时刻的时序特征、节点特征、子图结构分别构成图序列数据的时序表示特征、节点表示特征和图邻接矩阵数据。3.根据权利要求1所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，步骤S2中，基于双向局部图注意力具体如下：一个节点在传播子图中的特征不仅与当前的邻居有关系，还受到前向和后向时刻的子图影响，计算公式为：其中，f
combine
是组合当前节点特征和前后时刻节点特征的方法，是组合当前节点特征和前后时刻节点特征的方法，表示节点v在时刻t的传播子图的特征。4.根据权利要求3所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，双向局部图注意力中节点的邻居节点对该节点的社会影响具体如下：节点v的初始特征x
v
通过一个神经网络层被转化为转化特征计算公式为：其中，W
l
是神经网络层的参数，F表示x
v
的l层初始化特征维度，F
l
是l层转化特征的特征维度，LeaklyReLU是激活函数；
节点v通过神经网络层转化后的转化特征和节点v的邻居节点u的转化特征进行聚合，u∈N(v)，N(v)为节点v的邻居节点集合，方法如下：其中，f
prop
为计算注意力值的方法，例如为计算注意力值的方法，例如是注意力机制共享神经网络参数，e
uv
为节点v的邻居节点u对节点v的注意力值，为计算节点v对节点u的注意力值；节点v的邻居节点u作用于节点v的权重计算方式为：其中，α
uv
为经过归一化后节点v的邻居节点u对节点v的注意力系数，节点k为节点v的邻居节点集合中的某一个节点，e
kv
为节点v的邻居节点k对节点v的注意力值；计算节点v聚合更新后的转化特征计算方法如下：其中，σ是激活函数，记5.根据权利要求4所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，一个节点在传播子图中的特征还会受到前向和后向时刻的子图影响，前一时刻t
‑
1的子网络G
t
‑1中节点u对节点v的社会影响计算方法如下：计算方法如下：其中，u∈V
t
‑1，V
t
‑1为前一时刻t
‑
1子网络中节点v的邻居节点集合，f为当前时刻和前向时刻节点聚合系数的计算方法，设为节点特征的欧式空间，n为特征的维度，后一时刻t+1的子网络G
t+1
中节点u对节点v的社会影响计算方法如下：计算方法如下：其中，u∈V
t+1
，V
t+1
为后一时刻t+1子网络中节点v的邻居节点集合；考虑一个节点前后
向特征，更新节点特征为：6.根据权利要求1所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，步骤S2中，基于双向图序列注意力机制具体如下：子图会和非邻居的某一时刻非...

【专利技术属性】
技术研发人员：王振宇，黄振华，吴志祥，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：