检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库

原型感知双通道图神经网络的信息传播预测模型

在线全文

学校读者我要写书评

暂无评论

计算机应用 2024年

作者：项能强朱小飞高肇泽重庆理工大学计算机科学与工程学院

针对现有的信息传播预测模型难以挖掘用户对级联的依赖关系的问题，提出一种原型感知双通道图神经网络（PDGCN）的信息传播预测模型。首先，使用超图卷积网络（HGCN）学习基于级联超图级的用户表示和级联表示，同时使用图卷积神经网络（... 详细信息

针对现有的信息传播预测模型难以挖掘用户对级联的依赖关系的问题，提出一种原型感知双通道图神经网络（PDGCN）的信息传播预测模型。首先，使用超图卷积网络（HGCN）学习基于级联超图级的用户表示和级联表示，同时使用图卷积神经网络（GCN）学习基于动态友谊转发图的用户表示；其次，对于给定的目标级联，分别从上述两个级别的用户表示中查找到符合当前级联的用户表示，并将这两种表示进行融合；再次，通过聚类算法得到级联表示的原型；最后，查找当前级联最匹配的原型，并使用该原型融入当前级联的每个用户表示中，从而计算候选用户的传播概率。相较于记忆增强的顺序超图注意网络（MS-HGAT），在Twitter数据集上，PDGCN的Hits@100提升了1.17%,MAP@100提升了5.02%；在Android数据集上，PDGCN的Hits@100提升了3.88%,MAP@100提升了0.72%。实验结果表明，所提模型在信息传播预测任务上优于对比模型，具有更好的预测性能。

关键词：信息传播预测原型超图动态图图卷积神经网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于用户转发行为的信息传播预测方法研究

基于用户转发行为的信息传播预测方法研究

作者：项能强重庆理工大学

学位级别：硕士

信息传播预测是当前数据挖掘领域的热门研究课题之一,由于在线社交媒体的兴起使得信息的获取变得便捷而廉价,因此需要信息扩散预测技术来应对虚假新闻、热点话题和广告等新兴场景。信息传播过程是通过网络中不同用户之间的级联传播来实... 详细信息

信息传播预测是当前数据挖掘领域的热门研究课题之一,由于在线社交媒体的兴起使得信息的获取变得便捷而廉价,因此需要信息扩散预测技术来应对虚假新闻、热点话题和广告等新兴场景。信息传播过程是通过网络中不同用户之间的级联传播来实现的,准确预测信息传播对于这些领域来说具有重要意义。目前,信息传播预测的方法在复杂传播过程可以有效的学习到用户的动态偏好,但针对友谊网关系的建模大多拥有很多噪声,因此本文在使用动态图神经网络的基础上,再使用对比学习与原型网络对友谊关系和转发关系进行建模。研究内容分为以下两个部分:在研究用户偏好信息预测的领域,现有的模型能够捕捉时间动态以及级联效应和社会同质性之间的相互作用。然而,这些模型忽略了两个关键问题:首先,单纯依赖友谊网络来刻画用户偏好可能存在局限,因为这种网络仅反映了单向的关注关系,而用户的关注点是多元化的,不一定反映在实际的转发行为中,这可能导致数据噪声。其次,将用户的动态偏好和静态偏好的表示形式直接结合,可能会破坏原有的特征表达。为了解决这些问题,本研究提出了一种新颖的用户偏好信息预测框架,称为基于跨空间对比学习的多记忆用户偏好信息预测(MUP-CCL)。该框架首先利用动态图表征学习来捕捉不同时间点的用户交互动态嵌入。接着,通过多空间对比学习,从社交网络和转发网络中提取用户在不同空间的特征,并运用跨视图比较机制深入挖掘社交和转发行为之间的深层联系。然后,通过目标级联查询得到当前传播过程的表征。最终,采用一种非侵入式的融合策略,将不同维度的用户嵌入表征进行整合,以便计算出候选用户的传播概率。这种方法旨在更准确地预测用户的信息传播偏好,同时保持原有表征的完整性。在信息传播预测的研究领域,尽管先前的工作考虑了传播级联和用户间的相互作用,但存在两个主要限制:首先,这些研究没有同时捕获用户的动态偏好与级联之间的相互依赖性。他们往往只采用动态异构图来学习用户的转发行为偏好,或者仅仅通过超图来理解级联关系,而没有将两者结合。其次,通过超图神经网络得到的级联表征通常直接与用户特征融合,这可能导致信息重叠,因为一个级联的表征本质上反映了一组用户的转发行为。为克服这些问题,本研究推出了一种新颖的信息传播预测模型,称为原型感知双通道图神经网络(PDGCN)。该模型主要由两部分组成:特征学习模块和原型提取及特征融合模块。特征学习模块由两种图神经网络构成,分别致力于学习和提炼用户及级联的特征。具体来说,动态图卷积神经网络(DGCN)负责把握用户的转发偏好在不同层次的细节,而超图卷积网络则用于揭示级联超图中的用户和级联间的互动关系。接下来,在原型提取和特征融合模块中,本文识别出级联表征中的P个关键原型,并为特定目标级联寻找最匹配的原型。找到后,这一原型将被整合进当前级联的每个用户表征中,增强级联特征的表达力。最终,基于这些经过原型增强的级联表征,模型计算候选用户的传播概率。这种方法旨在提高信息传播预测的准确性,同时减少信息的冗余。本文对4个公开的数据集做了广泛的实验,即Twitter、Douban、Android和Christianity。相较于记忆增强的顺序超图注意网络(MS-HGAT),在Twitter数据集上,PDGCN在的Hits@100上提升了1.17%,在MAP@100上提升了5.02%;在Android数据集上,PDGCN在的Hits@100上提升了3.88%,在MAP@100上提升了0.72%。

关键词：信息传播预测图卷积神经网络对比学习特征融合原型学习

基于时空Transformer的社交网络信息传播预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机研究与发展 2022年第8期59卷 1757-1769页

作者：范伟刘勇黑龙江大学计算机科学技术学院哈尔滨150080

随着社交网络的日益普及和广泛应用,信息传播预测逐渐成为了社交网络分析领域的一个热点研究问题.之前大部分研究要么只利用信息传播序列,要么只利用用户之间的社交网络来进行预测,难以对信息传播过程的复杂性进行有效建模.此外,常用于... 详细信息

随着社交网络的日益普及和广泛应用,信息传播预测逐渐成为了社交网络分析领域的一个热点研究问题.之前大部分研究要么只利用信息传播序列,要么只利用用户之间的社交网络来进行预测,难以对信息传播过程的复杂性进行有效建模.此外,常用于信息传播预测的循环神经网络(recurrent neural network,RNN)及其变体难以有效捕获信息之间的相关性.为解决上述问题,提出了一个新的基于时空Transformer的社交网络信息传播预测模型STT.该模型首先构建由社交网络图和动态传播图组成的异构图并使用图卷积网络(graph convolutional network,GCN)来学习用户的结构特征;然后将用户的时序特征和结构特征放入到Transformer中进行融合来获取时空特征;为有效融合用户的时序特征和结构特征,提出了一种新的残差融合方式来替代Transformer中原有的残差连接;最后利用Transformer来进行信息传播预测.真实数据集上的大量实验验证了模型STT的有效性.

关键词：社交网络信息传播预测 Transformer 图卷积网络时空特征

维普期刊数据库

融合用户关系表示和信息传播拓扑特征的信息传播预测

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2023年

作者：吴运兵高航曾炜森阴爱英福州大学计算机与大数据学院福州大学至诚学院计算机工程系

信息传播预测旨在分析信息传播网络或社交媒体中信息扩散的规律，以理解和预测信息的传播过程。现存工作主要关注用户群体关系中的社交关系和动态影响关系，忽略了群体关系中用户间相似性关系和个体关系中内在因素对用户转发信息的影响... 详细信息

信息传播预测旨在分析信息传播网络或社交媒体中信息扩散的规律，以理解和预测信息的传播过程。现存工作主要关注用户群体关系中的社交关系和动态影响关系，忽略了群体关系中用户间相似性关系和个体关系中内在因素对用户转发信息的影响。为此，本文提出了融合用户关系表示和信息传播拓扑特征的信息传播预测模型，从群体关系和个体关系两个层面分析用户受信息影响的可能性。在群体关系层面，构建用户共现次数图来学习用户相似性关系表示，随后融合了用户关系表示和信息传播拓扑特征来更全面地捕捉群体关系；在个体关系层面，融合了用户个体特征表示和影响因素向量，以捕捉不同的内在因素对刺激用户转发信息的影响。实验结果表明，本文提出的模型在两个公开数据集上性能均有提升，在Memetracker数据集上map@k和hits@k评价指标分别平均提升了6.54%和2.75%。

关键词：信息传播预测拓扑结构相似性共同兴趣

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于社交图和传播图的信息传播预测方法研究

基于社交图和传播图的信息传播预测方法研究

作者：范伟黑龙江大学

学位级别：硕士

随着社交网络平台的日益普及和广泛应用,社交网络平台已逐步融入人们的日常生活,同时人们也越来越享受网络平台带来的便利。人们通过社交网络平台分享和获取各种消息。然而信息是如何在网络中传播的以及哪些因素影响着信息流方向逐渐成... 详细信息

随着社交网络平台的日益普及和广泛应用,社交网络平台已逐步融入人们的日常生活,同时人们也越来越享受网络平台带来的便利。人们通过社交网络平台分享和获取各种消息。然而信息是如何在网络中传播的以及哪些因素影响着信息流方向逐渐成为了社交网络分析领域的一个热点研究问题。目前大部分研究要么只利用信息传播序列,要么只利用用户之间的社交网络来进行预测,难以对信息传播过程的复杂性进行有效建模。为了解决这一问题,本文提出了三种信息传播预测方法。这些方法侧重于研究社交图和传播图对信息传播预测的多种影响,本文的主要贡献如下:(1)基于动态异构图感知网络的信息传播预测(dynamic heterogeneous graph perception network with time-based mini-batch for information diffusion prediction,DHGPNTM),本方法将社交图和传播图根据用户转发时间构建成多个动态的异构图,使用新提出的图感知网络(graph perception network,GPN)来学习用户的动态结构特征,再与用户转发信息的时间进行结合学习用户的动态偏好,同时利用多头注意力机制来获取用户的上下文信息,结合提出的融合门机制将用户信息和上下文信息进行有选择性的特征融合,最后进行信息传播预测。实验结果表明该模型在本文所使用的数据集上优于最先进的基线方法。(2)基于时空Transformer的信息传播预测(social information diffusion prediction method based on transformer spatial-temporal neural network,TSTNet),本方法将由社交图和传播图构成一个整体的异构图经过GCN来学习用户的结构特征,将用户转发信息的时间提取成时序特征,然后分别将结构特征和时序特征嵌入位置信息,因为Transformer学习不到相对位置信息,将嵌入位置信息后的时序特征作为Query集,将嵌入位置信息后的结构特征作为Key集和Value集,再利用Transformer机制来获取用户的时空特征,最后进行信息传播预测。实验结果表明该模型在三个数据集上的实验效果比其他对比方法更好。(3)基于多感知注意力的信息传播预测(multi-aware attention model for information diffusion prediction,MAA),本方法将社交图和传播图经过GCN分别学习到用户的社交特征和传播特征,将用户转发信息的时间经过提出的基于时间的mini-batch模块来获取时序特征,同时可以加速模型的训练速度,再使用改进后的多感知的Transformer可以获得具有社交感知注意力、传播感知注意力、时序感知注意力的用户特征,再经过提出的具有位置感知的前馈神经网络获取位置感知注意力,最后进行信息传播预测。该模型在本文使用的三个公开可用的数据集上的实验效果优于最新的对比方法。

关键词：社交网络信息传播预测图卷积神经网络时空神经网络 Transformer

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多语义建模的信息传播预测算法研究

基于多语义建模的信息传播预测算法研究

作者：王浩北京邮电大学

学位级别：硕士

随着互联网与在线社交媒体的快速发展,信息呈爆炸式增长,为互联网信息传播方式带来了巨大的变革,海量信息通过用户间的交互行为在短时间内大规模迅速传播。因此,针对信息传播预测的研究具有很大理论意义与实际价值。相比起只针对信息传... 详细信息

随着互联网与在线社交媒体的快速发展,信息呈爆炸式增长,为互联网信息传播方式带来了巨大的变革,海量信息通过用户间的交互行为在短时间内大规模迅速传播。因此,针对信息传播预测的研究具有很大理论意义与实际价值。相比起只针对信息传播过程建模,基于多语义的建模方式可以应用更加丰富的信息,从而显著提升信息传播预测性能。本研究专注于基于多语义建模的信息传播预测研究,首先研究基于多任务框架的全尺度信息传播建模,以更好的解决语义信息丢失问题,并通过融合多语义信息提升多任务下的模型表现。其次针对主题语义信息对信息传播依赖的显著影响,我们研究融合主题语义的信息传播预测模型,服务于微观传播任务。在实际应用场景下,信息传播过程中往往会伴随着丰富的额外信息,例如社交网络结构与时间戳信息,然而传统的信息传播预测方法只针对信息传播产生的用户序列进行建模,而忽略了多语义信息的影响。与此同时,现有的宏观信息传播预测方法只使用级联的早期观测序列,舍弃了后期传播序列的语义信息,如何考虑更完整的级联语义信息仍有待解决。为了解决以上难题,本论文提出了一个基于多任务框架的全尺度信息传播预测模型MTL-FC(Multi-Task Learning based Full-scale Cascade model)。MTL-FC 专注于信息传播预测中多语义信息融合策略,融合信息级联的短期语义、长期语义、结构语义以及时序语义等多语义信息,构建更加细粒度的预测任务,从而实现全尺度的预测目标。全尺度下多个预测任务的实验结果证明了该方法的优越性。如何合理的对用户间的传播依赖关系进行建模是信息传播预测中的一个关键问题。真实场景中传播依赖受信息的主题影响,而现有的方法普遍忽略了主题语义的建模。为了解决这个问题,我们首次探索了融合主题语义的微观信息传播预测模型TAN(Topic-aware Attention Network),通过建模不同主题下的用户传播依赖关系,模型获得了更好的微观预测能力。大量实验结果表明,TAN模型在下一个被感染用户预测这一经典微观任务中显著优于基线算法。

关键词：信息传播预测多语义建模主题感知注意力

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多维特征的信息传播预测研究

基于多维特征的信息传播预测研究

作者：胥文重庆邮电大学

学位级别：硕士

与传统媒体相比,社交网络在传播新闻、思想、观点等方面发挥着突出的作用,同时也是传播谣言、虚假新闻等负面信息的最佳途径。因此,社交网络中信息传播过程的准确预测和有效控制已成为重要的研究话题。利用信息传播模型研究信息传播过程... 详细信息

与传统媒体相比,社交网络在传播新闻、思想、观点等方面发挥着突出的作用,同时也是传播谣言、虚假新闻等负面信息的最佳途径。因此,社交网络中信息传播过程的准确预测和有效控制已成为重要的研究话题。利用信息传播模型研究信息传播过程,不仅可以理解信息传播模式和用户行为,而且能够有效控制有害信息的传播。论文以信息传播过程的多维特征为切入点,以用户和传播序列两个层面对信息传播驱动因素进行研究,主要工作内容概述如下:1.针对信息传播过程中的用户关系特征对信息传播过程的影响,提出一种基于用户关系特征的信息传播预测模型。旨在探究社交网络中用户对信息传播过程中的影响来预测信息的传播过程。首先,利用基于长短时记忆神经网络(Long Shot-Term Memory,LSTM)的网络架构来获取信息传播的轨迹特征。其次,考虑到信息传播和用户行为的复杂性,利用注意力机制来挖掘用户关系特征来预测真实的信息传播过程。最后,综合考虑影响信息传播的驱动因素,得到一种基于用户关系特征的信息传播预测模型(Attention Diffusion Neural Network,ADNN)。2.为进一步分析在信息传播过程中多维驱动因素信息,提出一种基于多层面特征的信息传播预测模型。首先,针对用户层面中用户关系数据复杂多样的特质,考虑到注意力机制能够描述复杂关系的特点,扩展注意力机制来提取用户关系和位置信息的高阶组合特征。其次,利用时域卷积神经网络(Temporal Convolutional Network,TCN)提取传播序列层面的序列特征,融合信息传播过程的多层面特征,进一步提高模型的学习能力。最后,综合在信息传播过程中时间衰减因素,构建基于多层面特征的信息传播预测模型(Multi-Level Features Networks,MFN),更真实的刻画用户在信息传播过程中的轨迹。实验结果表明,所提信息传播预测模型能够有效利用传播过程不同层面的潜在驱动因素,更加准确地预测社交网络中信息的传播趋势。为讨论信息传播预测模型的应用价值,论文将提出的模型MFN应用到消息推送应用中,实现消息的个性化推送功能。

关键词：社交网络分析信息传播预测深度学习注意力机制特征表示

基于深度学习的在线社交网络信息传播预测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的在线社交网络信息传播预测模型

作者：周维凯西华大学

学位级别：硕士

近年来,随着社交网络的兴起,信息传播预测的研究引起了广泛关注,这项任务十分重要。目前,随着深度学习技术的成熟使得图神经网络在信息传播预测中展现出强大的能力。在互联网时代,信息传播速度快、更新及时,成为现代社会不可或缺的一部... 详细信息

近年来,随着社交网络的兴起,信息传播预测的研究引起了广泛关注,这项任务十分重要。目前,随着深度学习技术的成熟使得图神经网络在信息传播预测中展现出强大的能力。在互联网时代,信息传播速度快、更新及时,成为现代社会不可或缺的一部分。然而,在信息传播过程中也出现了许多问题,如虚假信息和网络谣言,严重影响了社会稳定和人们之间的正常交流。因此,有关部门需要采取相应措施来打击这些虚假新闻、虚假广告等现象。信息传播预测研究的目标是探究信息在用户之间的传播扩散方式。了解信息传播过程将使社交平台能够监控和引导各种场景中的信息传播。通过对信息传播的研究,人们能够更好地理解社交网络中的信息传播机制和规律,并将这种理解应用于社交网络营销、网络安全、舆情分析等领域。例如,利用信息传播模型可以预测营销活动的效果,识别虚假信息和舆情,评估网络广告的效益等。信息传播研究的成果还可以为社会科学、网络科学和计算机科学等领域提供参考和启示,推动相关研究的发展。预测在线社交网络中信息的传播轨迹和传播范围是本文的研究目标。基于以上背景,本文将从以下几个方面展开研究,旨在提供有效的解决方案,以实现对信息传播的准确预测。(1)提出了基于用户动态偏好的微观信息传播预测模型(Dy PGAT)。首先,根据在线社交网络中用户的兴趣爱好不断变化这一现象,我们按照时间切片,将信息传播过程分为T个子图。通过图卷积神经网络(GCN)和图注意网络(GAT)分别学习静态社交网络关系和动态用户偏好,并考虑了信息发布者在信息传播过程中起到的作用。随后,通过启发式算法来聚合静态社交网络表示和用户动态偏好,并通过一个注意力衰减机制来刻画信息的重要性随时间减少的过程。最后对下一个信息的传播者进行了预测。(2)提出了基于注意力机制的宏观信息传播预测模型(Cas Att GAT)。首先,我们按照时间切片分好一系列级联快照,并放入图注意网络(GAT)学习每个时刻的向量表示。在得到了每张级联快照的向量表示后,使用动态路由算法来计算每个节点的相似度来聚合特征。随后将聚合到的特征放入长短期记忆网络(LSTM)和注意力机制(Attention)来学习时间特征。最后对下一时刻信息传播的人数进行了预测。(3)设计实验对提出的模型可行性进行论证。通过实验证明了Dy PGAT和Cas Att GAT分别在信息传播微观预测任务和宏观预测任务上的优越性。Dy PGAT模型的消融实验证明了捕获用户动态偏好和信息发布者的重要性,Cas Att GAT模型的消融实验则证明了学习时间特征对于宏观信息传播预测的有效性。

关键词：信息传播预测图神经网络用户动态偏好注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

微博信息传播预测研究综述

软件学报 2016年第2期27卷 247-263页

作者：李洋陈毅恒刘挺哈尔滨工业大学计算机科学与技术学院社会计算与信息检索研究中心黑龙江哈尔滨150001

微博已经逐渐成为人们获取信息、分享信息的重要社会媒体,深刻影响并改变了信息的传播方式.针对微博信息传播预测问题展开综述.该研究对舆情监控、微博营销、个性化推荐具有重要意义.首先概述微博信息传播过程,通过介绍微博信息传播的... 详细信息

微博已经逐渐成为人们获取信息、分享信息的重要社会媒体,深刻影响并改变了信息的传播方式.针对微博信息传播预测问题展开综述.该研究对舆情监控、微博营销、个性化推荐具有重要意义.首先概述微博信息传播过程,通过介绍微博信息传播的定性研究工作,揭示微博信息传播的特点;接着,从以信息为中心、以用户为中心以及以信息和用户为中心这3个角度介绍微博信息传播预测相关研究工作,对应的主要研究任务分别是微博信息流行度预测、用户传播行为预测和微博信息传播路径预测;继而介绍可用于微博信息传播预测研究的公开数据资源;最后,展望微博信息传播预测研究的问题与挑战.

关键词：微博信息传播预测信息流行度传播行为信息传播路径

维普期刊数据库