买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州大学

摘要：本发明涉及一种基于级联关系多样性的信息流行度预测方法和系统，方法包括：获取每条信息p的观测级联Cp，并根据所述观测级联Cp获取级联图gp和时间节点序列τp；将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征、不同节点的相对时空特征和不同节点用户间的节点关系特征，并将所述全局时空特征融入级联图gp的节点初始特征X中得到节点特征矩阵X；通过所述多个互连的自注意力模型以实现对所述观测级联Cp进行建模，得到级联图表示Hc；通过所述预测层对多个互连的自注意力模型输出的级联图表示Hc进行预测，得到信息p的流行度。本发明在信息流行度预测中考虑了用户之间的偏好属性、并且考虑了不同信息对应级联间的关系。

主权项：1.一种基于级联关系多样性的信息流行度预测方法，其特征在于：包括：步骤S1：获取每条信息p的观测级联Cp，并根据所述观测级联Cp获取级联图gp和时间节点序列τp，其中，所述观测级联Cp为观测时间内通过转发信息p形成的传播过程；步骤S2：将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征，同时计算不同节点的相对时空特征和不同节点用户间的节点关系特征，并将所述全局时空特征融入级联图gp的节点初始特征X中得到节点特征矩阵步骤S3：构建预测模型，所述预测模型包括依次连接的多个互连的自注意力模型和预测层；将所述节点特征矩阵输入所述多个互连的自注意力模型以实现对所述观测级联Cp进行建模，得到级联图表示Hc，其中，所述节点特征矩阵用于输入第一个自注意力模型，并且每个自注意力模型的输出结果均要融入相对时空特征和不同节点用户间的节点关系特征；步骤S4：通过所述预测层对多个互连的自注意力模型输出的级联图表示Hc进行预测，得到信息p的流行度；所述步骤S2中将所述级联图gp和时间节点序列τp输入编码模块生成全局时空特征，并将所述级联图gp和时间节点序列τp输入编码模块计算不同节点的相对时空特征和不同节点用户间的节点关系特征，方法包括：计算所述级联图gp的标准化拉普拉斯矩阵，提取所述标准化拉普拉斯矩阵最小m个特征值对应的特征向量，对所述特征向量进行线性变换生成全局空间位置编码LPE；基于所述级联图gp计算得到相对空间关系矩阵RDM，所述相对空间关系矩阵RDM中每个元素表示对应节点对在级联图gp中的最短路径；基于所述时间节点序列τp，通过在信息p的转发时间t上使用线性和周期性函数生成全局时间位置编码TPE；基于所述时间节点序列τp计算得到相对时间位置矩阵RTM，所述相对时间位置矩阵RTM中每个元素表示转发时间节点对的差值；基于所述级联图gp计算得到相对人际影响关系矩阵LCA；其中，所述全局空间位置编码LPE和全局时间位置编码TPE构成全局时空特征；所述节点之间的相对空间位置矩阵RDM和相对时间位置矩阵RTM构成不同节点的相对时空特征；所述人际影响关系矩阵LCA为不同节点用户间的节点关系特征；所述基于所述时间节点序列τp，通过在信息p的转发时间t上使用线性和周期性函数生成全局时间位置编码TPE，公式为：TPE＝concatenatew1t+b1,cosw2t+b2其中，concatenate·表示拼接操作，w1、w2分别表示第一权重参数和第二权重参数，b1、b2分别表示第一偏置参数和第二偏置参数；基于节点对vi,vj和最近公共祖先vr计算得到相对人际影响关系矩阵LCA的方法包括：基于所述级联图gp中所有节点构建N×N矩阵；计算所述级联图gp中每个节点对vi,vj及其最近公共祖先vr的关系分数，公式为：KLvi,vr+KLvr,vj，其中，KL为相对熵；将节点对vi,vj对应的关系分数填充至所述N×N矩阵对应位置中，生成相对人际影响关系矩阵LCA。

全文数据：

权利要求：

百度查询： 苏州大学 一种基于级联关系多样性的信息流行度预测方法和系统