[发明专利]双向社会影响学习的传播流行度预测方法

权利要求书

1.一种双向社会影响学习的传播流行度预测方法，其特征在于，包括以下步骤：

S1、收集信息传播网络数据，构建信息传播的图序列数据，包括图邻接矩阵、节点表示特征和时序表示特征数据；

S2、构建基于图序列注意力网络的模型，包括基于节点级别的双向局部图注意力机制和基于图级别的双向图序列注意力机制的图变形编解码模块；

S3、构建基于图序列注意力网络和解码器结合的宏观动态流行度预测模型，包括图序列注意力网络和时序感知注意力解码器；

S4、将图序列数据输入到基于图序列注意力网络和解码器结合的宏观动态流行度预测模型进行迭代训练；

S5、输入信息传播的图序列数据，利用训练获得的模型对信息传播不同时刻的流行度进行预测。

2.根据权利要求1所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，步骤S1中，收集信息传播网络数据，信息在社交网络中传播形成传播网络，用户v在时间t转发用户u发布的帖子m构成一个传播四元组数据(v，u，t，m)；

在时刻i，一个贴子m的发布者和全部转发者构成一个传播子图G_i；将传播网络建模为一个图序列，所有时刻的传播网络G_i构成一个图序列数据，记为{G₀，G₁，...，G_T，G_T+1，G_T+2，...}，其中T是观察时刻，在时刻i对应的子图快照的节点特征和子图结构分别记为X_i和A_i，N_i是时刻i的子图G_i的节点数量，F是节点初始特征维度，时刻i的时序特征记为tp_i，

所有时刻的时序特征、节点特征、子图结构分别构成图序列数据的时序表示特征、节点表示特征和图邻接矩阵数据。

3.根据权利要求1所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，步骤S2中，基于双向局部图注意力具体如下：

一个节点在传播子图中的特征不仅与当前的邻居有关系，还受到前向和后向时刻的子图影响，计算公式为：

其中，f_combine是组合当前节点特征和前后时刻节点特征的方法，表示节点v在时刻t的传播子图的特征。

4.根据权利要求3所述的一种双向社会影响学习的传播流行度预测方法，其特征在于，双向局部图注意力中节点的邻居节点对该节点的社会影响具体如下：

节点v的初始特征x_v通过一个神经网络层被转化为转化特征计算公式为：

其中，W^l是神经网络层的参数，F表示x_v的l层初始化特征维度，F^l是l层转化特征的特征维度，LeaklyReLU是激活函数；

节点v通过神经网络层转化后的转化特征和节点v的邻居节点u的转化特征进行聚合，u∈N(v)，N(v)为节点v的邻居节点集合，方法如下：

其中，f_prop为计算注意力值的方法，例如是注意力机制共享神经网络参数，e_uv为节点v的邻居节点u对节点v的注意力值，为计算节点v对节点u的注意力值；

节点v的邻居节点u作用于节点v的权重计算方式为：

其中，α_uv为经过归一化后节点v的邻居节点u对节点v的注意力系数，节点k为节点v的邻居节点集合中的某一个节点，e_kv为节点v的邻居节点k对节点v的注意力值；

计算节点v聚合更新后的转化特征计算方法如下：

其中，σ是激活函数，记