一种基于时间感知超图学习的多模态社交媒体流行度预测方法技术

本发明专利技术属于信息传播技术领域，公开了一种基于时间感知超图学习的多模态社交媒体流行度预测方法，首先，采用以时间为核心的方法来检索与目标UGC相关的前K个实例；随后，通过利用UGC属性，将所有相关实例连接在一起，形成目标UGC的超图；其次，研发了一个时间感知的引导式超图Transformer，旨在捕获内部和跨模态之间的相关性，并且使用时间编码器将时间信息嵌入到信息融合过程中；最后，运用一个包含两层前馈神经网络的模型来进行目标UGC流行度的预测。本发明专利技术探索了对目标用户生成内容(UGC)的时间关系进行建模，并通过多模态超图聚合来增强目标的表示，旨在通过聚合时间感知信息，引领自适应超图构建，以协助多模态的流行度预测。

【技术实现步骤摘要】

本专利技术属于信息传播，涉及多模态社交媒体流行度预测，尤其涉及深度学习(deep learning)中的多模态学习(multi-modal learning)和流行度预测(popularity prediction)，是一种超图表示学习(hypergraph representation)和时间感知(time-aware)的方法。

技术介绍

1、随着多模态用户生成内容(ugc)，如视频、图像和文本在在线社交媒体平台上的广泛传播，如何理解、建模和推荐ugc成为了一个重要但具有挑战性的问题。多模态社交媒体流行度预测(msmpp)旨在通过学习和聚合多模态内容来推断用户与ugc之间未来的互动次数。这对于帮助用户筛选信息以及改进推荐、谣言检测等各种应用非常有益。已有的msmpp研究可以总结为两类：(1)基于特征的方法强调设计和整合手工制作的ugc特征；(2)基于深度学习的方法利用端到端框架来捕捉更全面的多模态表示。尽管它们取得了成功，但目前的工作的可用性受到以下方面的限制：(1)现有的工作独立地处理单个ugc以学习其表示，未考虑不同ugc之间的相互关系。相关ugc中本文档来自技高网...

【技术保护点】

1.一种基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，步骤S1包括以下分步骤：

3.根据权利要求1所述的基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，步骤S2包括以下分步骤：

4.根据权利要求1所述的基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，步骤S3中，最终的流行度预测由一个两层前馈神经网络完成：

5.根据权利要求1所述的基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在...

【技术特征摘要】

1.一种基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，步骤s1包括以下分步骤：

3.根据权利要求1所述的基于时间感知超图学习的多模态社交媒体流行度预测方法，其特征在于，步骤s2包括...

【专利技术属性】
技术研发人员：周帆，张杰男，杨凯，程章桃，钟婷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：