基于自监督学习的社交网络信息热度预测方法研究

作     者：凌晨 

作者单位：重庆大学 

学位级别：硕士

导师姓名：尚家兴

授予年度：2022年

学科分类：05[文学] 08[工学] 081104[工学-模式识别与智能系统] 0503[文学-新闻传播学] 0811[工学-控制科学与工程] 

主      题：社交网络分析 热度预测 图神经网络 自监督学习 话题模型 

摘      要：随着社交媒体平台的不断繁荣,社交网络已成为公众生成及传播信息的重要渠道,相关研究受到国内外学者广泛关注。其中,热度预测是社交网络信息传播的热点话题,在舆情跟踪、虚假新闻检测等方面具有重要应用价值。近年来,基于深度学习的端到端信息传播热度预测方法,因其强大的特征提取能力,越来越受到关注。目前大多数方法都显式或隐含地将观察期内的传播规模作为一个关键特征,然而,当观察期较短时,热门和非热门消息的早期传播规模大小差异并不显著。此时,如何充分利用早期传播图结构以及其他可用数据来提高预测准确性,是一个值得研究的关键问题。针对上述问题,借鉴自监督学习在图分类方面的优势,本文系统开展了基于自监督学习的社交网络信息热度预测方法研究,主要研究内容概述如下:(1)提出一种基于话题感知图对比学习的信息热度预测模型Con Cas,该模型充分利用传播级联图结构和内容话题信息来提高预测准确性。首先,利用最近提出的图对比式学习模型来识别热门和非热门级联图的关键结构特征。其次,为捕获不同级联之间的交互,将热门和非热门级联图分别进行聚合学习。同时,从底层社交关系以及消息文本内容中提取节点特征,以进一步提高模型准确性。在新浪微博数据集上的实验结果表明,Con Cas模型在综合评价指标F1-Score上表现优于最新主流算法;此外,进一步的消融实验和参数敏感性实验也显示了底层社交关系和内容话题信息对预测效果的促进作用。(2)提出一种基于全局图对比学习的信息热度预测模型Info Cas。Con Cas模型的主要缺点在于忽略了单个级联图的全局信息,并且没有考虑到信息传播时不同邻居用户对中心用户节点的影响差异。因此,本文进一步提出基于全局图对比式学习的信息热度预测模型Info Cas。具体来说,Info Cas中采用“全局-局部图对比式学习模型来识别热门和非热门级联图的关键结构特征。与Con Cas相比,Info Cas独立处理每个级联图,来最大化级联图的全局表示和不同局部表示之间的互信息,从而挖掘级联图不同尺度的结构特征。同时,考虑到不同邻居用户对中心用户节点的影响权重不同,将底层用户社交网络输入到图注意力网络(Graph Attention Network,GAT)中,为每个用户生成节点嵌入,并作为级联图的节点特征,以增强对比学习效果。在新浪微博数据集上的实验结果表明,Info Cas的预测准确性整体上优于已有的主流算法以及Con Cas(Mo Co v2)模型。