【技术实现步骤摘要】
本专利技术涉及信息传播预测，尤其涉及一种基于测试时训练的信息传播预测模型训练方法、预测方法及系统。
技术介绍
1、在线社交媒体的普及使得信息的传播和转发变得极为便捷。随着大量信息级联被实时跟踪和记录，研究人员开始通过信息传播预测（informationdiffusionprediction，idp）任务，探索社交网络中信息传播的规律与潜在机制。当前，信息传播预测的研究主要聚焦于两个方面，一方面，从宏观角度预测信息传播的规模，以评估整个信息级联未来的流行度；另一方面，从微观角度分析用户个体行为，以识别出下一个最有可能传播该信息的用户。通过这一任务，研究者能够监测和干预信息传播过程，为虚假信息控制、热点话题检测和在线营销等应用提供关键支撑。
2、先前的研究通常将宏观和微观层面的信息传播预测视为独立的任务，而近期研究则将二者相结合，提出了一种联合训练的多尺度预测范式。无论是独立预测模型还是多尺度预测模型，均遵循传统的学习范式：模型首先在训练集上进行训练，之后固定模型参数并在测试样本上直接进行评估。这种范式的有效性依赖于独立同分布假...
【技术保护点】
1.一种基于测试时训练的信息传播预测模型训练方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其特征在于，将所述有向社交图和所述序列扩散超图输入所述特征提取器，学习得到用户社交关系表示、用户动态交互表示和共享级联表示，包括：
3.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其特征在于，在所述宏观预测分支或所述微观预测分支中，对所述历史级联集中每个级联进行序列增强，生成增强后的训练环境，包括：
4.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其...
【技术特征摘要】
1.一种基于测试时训练的信息传播预测模型训练方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其特征在于，将所述有向社交图和所述序列扩散超图输入所述特征提取器，学习得到用户社交关系表示、用户动态交互表示和共享级联表示，包括：
3.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其特征在于，在所述宏观预测分支或所述微观预测分支中，对所述历史级联集中每个级联进行序列增强，生成增强后的训练环境，包括：
4.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其特征在于，根据所述用户动态交互表示执行特定于宏观任务的序列建模后获取细化的级联表示，并与所述共享级联表示拼接，由宏观预测器进行预测，得到级联规模，包括：
5.根据权利要求1所述的基于测试时训练的信息传播预测模型训练方法，其特征在于，根据所述增强后的训练环境和所述用户...
【专利技术属性】
技术研发人员：张熙，李朝卓，朱文婷，郭三川，尚煜茗，杨天齐，张勇东，吴侃，
申请(专利权)人：北京邮电大学，
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。