融合动态图表示和自注意力机制的级联预测模型

摘要：

传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征,推广性差,预测准确性低.为此,该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas).该模型采用端到端的方式,避免了人工标记特征造成级联图表示困难的问题;通过子图采样捕获级联图的动态演化过程,引入自注意力机制,更好地融合在观测窗口中学到的信息级联图的动态结构变化和时序特征,为网络合理地分配权重值,减少了信息的损失,提升了预测性能.实验结果表明,DySatCas与现有的基线预测模型相比,预测准确性有明显提升.

关键词：级联预测;深度学习;动态图表示;信息传播;自注意力机制

所属期刊栏目：51

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;四川省区域创新合作项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;博士后基金项目;广东省国家重点实验室项目;网络与数据安全四川省重点实验室开放课题

在线出版日期：2022-01-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：83-90