融合超图注意力机制与图卷积网络的信息扩散预测

摘要：

针对传统的信息预测缺乏对用户全局性依赖挖掘进行研究,提出了一种融合超图注意力机制与图卷积网络的信息扩散预测模型(HGACN).首先构建用户社交关系子图,采样获得子级联序列,输入图卷积神经网络学习用户社交关系结构特征;其次,综合考虑用户间和级联间的全局依赖,采用超图注意机制(HGAT)学习用户不同时间间隔的交互特征;最后,将学习到的用户表示捕获到嵌入模块,利用门控机制将其融合获得更具表现力的用户表示,利用带掩码的多头注意力机制进行信息预测.在Twitter等五个数据集上的实验结果表明,提出的HGACN模型在hits@N提高了 4.4％,map@N提高了 2.2％,都显著优于已有的MS-HGAT等扩散预测模型,证明HGACN模型是合理、有效的.这对谣言监测以及恶意账户的检测有非常重大的意义.

关键词：超图、图卷积网络、门控机制、多头注意力机制、扩散预测

所属期刊栏目：40

分类号：TP399(计算技术、计算机技术)

资助基金：重庆市教委人文社科重点项目;国家教育考试科研规划课题

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1715-1720