【技术实现步骤摘要】
本专利技术涉及社交网络事件传播预测方法领域，具体是一种基于圈层效应的社交网络事件传播预测方法。
技术介绍
1、随着在线社交媒体的快速发展，事件传播与信息获取变得越来越便捷和高效。事件传播预测与分析是社交网络中的一项重要任务，旨在识别可能参与事件传播的潜在用户。研究和分析事件传播对于理解信息、行为或现象如何在社交网络中传播至关重要，同时对理解舆情演变、控制假新闻以及在线市场营销等实际应用具有重要价值。
2、社交网络本质上是动态且复杂的系统，其事件传播受到简单节点连接之外的各种因素的影响。在社交网络中，由于用户行为、注意力范围的变化或影响信息传播的外部事件，事件可能会随着时间的推移以不同的方式传播，社交网络表现出结构聚集现象，其中节点倾向于聚集成具有不同交互模式的紧密结合的圈层。因此时序动态下的圈层效应是影响社交网络事件传播的重要因素，通过捕获局部用户交互对事件传播的影响至关重要。但现有技术社交网络事件传播预测方法均没有考虑圈层效应，因此存在预测结果不准确的问题。
技术实现思路
1、本专利技术提供了一种基于圈层效应的社交网络事件传播预测方法，以解决现有技术社交网络事件传播预测方法由于没有考虑圈层效应导致预测结果不准确的问题。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、一种基于圈层效应的社交网络事件传播预测方法，包括以下步骤：
4、步骤1、根据社交网络中用户节点、用户节点之间的关系，建立复合关系社交网络结构g；
6、步骤3、考虑时序视角的圈层效应，根据参与时间对参与者划分时序阶段，通过整合相关阶段的特征，得到反映事件传播阶段变化的阶段变化表示sk，并通过时序视角的交叉注意力网络基于所述阶段变化表示sk和参与者表示hk进行学习，得到时序视角的事件传播表示ht；
7、并且，考虑结构视角的圈层效应，计算参与者在社交网络上的结构邻近度，从而划分结构关系，得到反映事件传播参与者之间的结构邻近度的结构视角圈层关系矩阵ψ，并通过结构视角的偏置注意力网络基于所述结构视角圈层关系矩阵ψ和参与者表示hk进行学习，得到结构视角的事件传播表示hs；
8、步骤4、将步骤3得到的时序视角的事件传播表示ht、结构视角的事件传播表示hs进行自适应融合，得到基于圈层效应的事件传播表示h；
9、步骤5、将基于圈层效应的事件传播表示h映射到用户特征空间，由此预测得到事件未来参与者的概率分布，即为事件传播预测结果。
10、进一步的步骤1中，用户节点之间的关系共有三种类型的关系，分别为社交关联关系、传播影响作用关系、行为偏好关系。
11、进一步的，采用训练好的考虑圈层效应的预测模型，执行步骤2-步骤4；所述预测模型包括基于lightgcn的复合关系图神经网络，以及时序视角的交叉注意力网络、结构视角的偏置注意力网络、基于门控机制的自适应融合层；其中复合关系图神经网络用于执行步骤2，时序视角的交叉注意力网络、结构视角的偏置注意力网络用于执行步骤3，基于门控网络的自适应融合层用于执行步骤4。
12、进一步的，所述预测模型训练时的损失函数采用有监督的交叉损失函数。
13、本专利技术提供了一种基于圈层效应的社交网络事件传播预测方法，将圈层效应纳入事件传播得预测模型，可以增强模型的解释性并且维持与真实社交网络的一致性，能够实现对社交网络上的事件传播进行有效而准确的预测分析，进而更为准确地评估和理解事件传播的模式，有助于增强对复杂社会系统中驱动信息传播的潜在机制的理解。
14、与现有技术相比，本专利技术优点为：
15、1、本专利技术提出将用户之间的多重复合关系通过复合关系社交网络进行刻画，并综合使用社交关联、传播影响作用和行为偏好等用户关系，解决了现有方法中用户关系描述的单一性和局限性。
16、2、本专利技术提出了一种轻量化的复合关系社交网络学习方法，首先对用户在社交网络中的多种关系进行轻量化的预先融合，并基于lightgcn实现用户表示学习，这种方法能够有效学习用户之间的各种关系之间的多重异质语义，避免了对不同关系设置过多学习模块，进而为后续事件传播的分析与预测提供了高效的支撑。
17、3、本专利技术提出了基于圈层效应的事件传播预测方法，分别基于时序视角和结构视角的圈层效应对事件传播参与者的影响作用进行刻画与分析，并且融合不同视角的圈层效应以实现更加综合全面的事件传播预测，这一方法能够有助于增强了我们对复杂社会系统中驱动信息传播的潜在机制的理解。
本文档来自技高网...【技术保护点】
1.一种基于圈层效应的社交网络事件传播预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于圈层效应的社交网络事件传播预测方法，其特征在于，步骤1中，用户节点之间的关系共有三种类型的关系，分别为社交关联关系、传播影响作用关系、行为偏好关系。
3.根据权利要求1所述的一种基于圈层效应的社交网络事件传播预测方法，其特征在于，采用训练好的考虑圈层效应的预测模型，执行步骤2-步骤4；所述预测模型包括基于LightGCN的复合关系图神经网络，以及时序视角的交叉注意力网络、结构视角的偏置注意力网络、基于门控机制的自适应融合层；其中复合关系图神经网络用于执行步骤2，时序视角的交叉注意力网络、结构视角的偏置注意力网络用于执行步骤3，基于门控网络的自适应融合层用于执行步骤4。
4.根据权利要求3所述的一种基于圈层效应的社交网络事件传播预测方法，其特征在于，所述预测模型训练时的损失函数采用有监督的交叉损失函数。
【技术特征摘要】
1.一种基于圈层效应的社交网络事件传播预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于圈层效应的社交网络事件传播预测方法，其特征在于，步骤1中，用户节点之间的关系共有三种类型的关系，分别为社交关联关系、传播影响作用关系、行为偏好关系。
3.根据权利要求1所述的一种基于圈层效应的社交网络事件传播预测方法，其特征在于，采用训练好的考虑圈层效应的预测模型，执行步骤2-步骤4；所述预测模...
【专利技术属性】
技术研发人员：杨雅君，冯子涵，
申请(专利权)人：天津大学合肥创新发展研究院，
类型：发明
国别省市：
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。