摘要: 针对在信息传播动态演化中,结构特征和时序特征以及两者间的交互表达难以有效捕获的问题,提出一种基于Transformer和关系图卷积网络的信息传播预测模型(TRGCN)首先,构建由社交关系图和传播级联图组合而成的异构图,使用关系图卷积网络(RGCN)提取图中各节点的结构特征。其次,使用双向长短期记忆网络(Bi-LSTM)对各节点的时间嵌入重新编码,引入时间衰减项赋予不同时间位置的节点以不同的权重,获得节点的时序特征。最后,将结构特征和时序特征输入到Transformer中进行融合,从而得到时空特征进行信息传播预测。在Twitter、Douban、Memetracker三个真实数据集上的实验结果表明,TRGCN模型相较于对比实验中的最优模型,其Hits@100指标平均提升4.25%,Map@100指标平均提升12.12%,从而验证了所提模型的有效性和合理性。
中图分类号: