【技术实现步骤摘要】
本专利技术涉及深度学习和信息传播预测领域，特别涉及一种基于共同注意力融合的序列超图神经网络的信息传播预测方法。
技术介绍
1、信息传播预测是社交网络分析领域中的一个重要研究方向，其利用级联传播关系和用户特征等因素，研究信息是如何在用户之间传播的，并预测下一个转发消息的用户。随着社交媒体平台的广泛应用，信息传播的机制日益复杂，这对社会营销策略的制定、虚假信息的识别以及公共舆论的引导等方面产生深远的影响。
2、目前，信息传播预测方法大致可以分为基于特征工程的方法和基于深度学习的方法两大类。基于特征工程的方法通过分析社交网络的拓扑结构、用户行为模式和信息内容等因素，设计有效的预测模型。这类方法虽然在一定程度上能够提供可解释的预测结果，但往往需要大量的人工参与和领域知识支持，且在处理大规模数据和复杂网络结构时存在局限性。近年来，随着人工智能技术的快速发展，基于深度学习的方法开始在信息传播预测领域得到广泛应用。这些方法利用神经网络的强大表示学习能力，自动提取和学习数据中的复杂特征，避免了繁琐的特征工程。特别是，图神经网络、递归神经网络...
【技术保护点】
1.一种基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，在用户特征学习中，图卷积网络的逐层传播规则为：
3.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，步骤S2包括构建基于等方差扩散的超图神经网络，具体包括：
4.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，步骤S2包括引入剩余门控机制，实现在不同时间戳之间传播剩余信息，...
【技术特征摘要】
1.一种基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，在用户特征学习中，图卷积网络的逐层传播规则为：
3.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，步骤s2包括构建基于等方差扩散的超图神经网络，具体包括：
4.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，步骤s2包括引入剩余门控机制，实现在不同时间戳之间传播剩余信息，该机制通过组合每个时间段节点的动态嵌入和用户嵌入，来生成每个节点的初始嵌入，包括如下计算：
5.根据权利要求1所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其特征在于，步骤s3中特征融合是渐进的，每一层的输出都作为下一层的输入；
6.根据权利要求1或4所述的基于共同注意力融合的序列超图神经网络的信息传播预测方法，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。