资料下载
×
基于分层注意力的社交网络信息级联预测
消耗积分:0 |
格式:pdf |
大小:2.28 MB |
2021-05-29
分享资料个
信息级联预测（ Information Cascade prediction）是社交网络分析领域的一个研究热点，其通过信息级联的扩散序列与拓扑图来学习在线社交媒体中信息的传播模式。当前的信息级联预测模型大多以循环神经网络为基础，仅考虑信息级联的时序结构信息或者序列内部的空间结构信息，无法学习序列之间的拓扑关系。而现有的级联图结构学习方法无法为节点的邻居分配不同的权重，导致节点之间的关联性学习较差。针对上述问题，文中提岀了基于节点表示的信息级联采样方法，将信息级联建模为节点表示而非序列表示。随后提岀一种基于分层注意力的信息级联预测（ Information Cascade Prediction with Hierarchical attention， ICPHA）模型。该模型首先通过结合了自注意力机制的循环神经网络来学习节点序列的时序结构信息;然后通过多头注意力机制学习节点表示之间的空间结构信息;最后通过分层的注意力网络对信息级联的结构信息进行联合建模。所提模型在 Twitter， Memes，Digg这3种数据集上达到了领先的预测效果，并且具有良好的泛化能力。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
