基于超图神经网络的多尺度信息传播预测模型

doi:10.11772/j.issn.1001-9081.2024111657

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (11): 3529-3539.DOI: 10.11772/j.issn.1001-9081.2024111657

• 人工智能 • 上一篇

基于超图神经网络的多尺度信息传播预测模型

赵敬华¹, 张柱¹, 吕锡婷¹, 林慧丹²()

^1.上海理工大学管理学院，上海 200093
^2.上海市逆向物流与供应链协同创新中心（上海第二工业大学），上海 201209

收稿日期:2024-11-22 修回日期:2025-03-10 接受日期:2025-03-18 发布日期:2025-04-02 出版日期:2025-11-10
通讯作者: 林慧丹
作者简介:赵敬华（1984—），女，山东冠县人，副教授，博士，主要研究方向：流行度预测、互动创新
张柱（2002—），男，湖南岳阳人，硕士研究生，主要研究方向：流行度预测
吕锡婷（1997—），女，浙江余姚人，硕士研究生，主要研究方向：流行度预测
基金资助:
国家自然科学基金资助项目(72201173);上海市教育科学研究项目(C2023292);上海市逆向物流与供应链协同创新中心开放课题

Multiscale information diffusion prediction model based on hypergraph neural network

Jinghua ZHAO¹, Zhu ZHANG¹, Xiting LYU¹, Huidan LIN²()

^1.Business School，University of Shanghai for Science and Technology，Shanghai 200093，China
^2.Shanghai Innovation Center of Reverse Logistics and Supply Chain （Shanghai Polytechnic University），Shanghai 201209，China

Received:2024-11-22 Revised:2025-03-10 Accepted:2025-03-18 Online:2025-04-02 Published:2025-11-10
Contact: Huidan LIN
About author:ZHAO Jinghua， born in 1984， Ph. D.，associate professor. Her research interests include popularity prediction， interactive innovation.
ZHANG Zhu， born in 2002， M. S. candidate.His research interests include popularity prediction.
LYU Xiting， born in 1997， M. S. candidate. Her research interests include popularity prediction.
Supported by:
National Natural Science Foundation of China(72201173);Shanghai Educational Science Research Project(C2023292);Open Project of Shanghai Innovation Center of Reverse Logistics and Supply Chain

摘要/Abstract

摘要：

针对现有多尺度信息传播预测模型忽略了级联传播的动态性，以及独立进行微观信息预测时性能有待提高的问题，提出基于超图神经网络的多尺度信息传播预测模型（MIDHGNN）。首先，使用图卷积网络（GCN）提取社交网络图中蕴含的用户社交关系特征，使用超图神经网络（HGNN）提取传播级联图中蕴含的用户全局偏好特征，并融合这2类特征进行微观信息传播预测；其次，利用门控循环单元（GRU）连续预测传播用户，直至虚拟用户；再次，将每次预测所得用户总数作为级联的最终规模，完成宏观信息传播预测；最后，在模型中嵌入强化学习（RL）框架，采用策略梯度方法优化参数，提升宏观信息传播预测性能。在微观信息传播预测方面，相较于次优模型，MIDHGNN在Twitter、Douban、Android数据集上的Hits@k指标分别平均提升12.01%、11.64%、9.74%，mAP@k指标分别平均提升31.31%、14.85%、13.24%；在宏观预测方面，MIDHGNN在这3个数据集上的均方对数误差（MSLE）指标分别最少降低8.10%、12.61%、3.24%，各项指标均显著优于对比模型，验证了它的有效性。

关键词: 信息传播预测, 图卷积网络, 超图神经网络, 强化学习, 多尺度

Abstract:

To address the limitations of existing multiscale information diffusion prediction models， which ignore the dynamic characteristic of cascade propagation and exhibit limited performance in independent microscopic information prediction， a Multiscale Information Diffusion prediction model based on HyperGraph Neural Network （MIDHGNN）was proposed. Firstly， Graph Convolutional Network （GCN） was used to extract user social relationship features from the social network graphs， while HyperGraph Neural Network （HGNN）was used to extract global user preference features from propagation cascade graphs. These two types of features were fused to enable microscopic information diffusion prediction. Secondly， Gated Recurrent Unit （GRU） was employed to sequentially predict potential spreaders until reaching virtual users. The cumulative number of predicted users at each step was regarded as the determined cascade size for macroscopic propagation forecasting. Finally， a Reinforcement Learning （RL） framework using policy gradient to optimize parameters significantly enhanced macroscopic information diffusion prediction performance. For microscopic information diffusion prediction， compared to the suboptimal model， MIDHGNN achieves average improvements of 12.01%， 11.64%， and 9.74% in Hits@k on Twitter， Douban， and Android datasets， respectively， and average improvements of 31.31%， 14.85%， and 13.24% in mAP@k. For macroscopic prediction， MIDHGNN reduces the Mean Squared Logarithmic Error （MSLE） by at least 8.10%， 12.61%， and 3.24% on these three datasets， respectively， with all metrics significantly outperforming the comparison models， validating its effectiveness.

Key words: information diffusion prediction, Graph Convolutional Network (GCN), HyperGraph Neural Network (HGNN), Reinforcement Learning (RL), multiscale

中图分类号:

TP399

赵敬华, 张柱, 吕锡婷, 林慧丹. 基于超图神经网络的多尺度信息传播预测模型[J]. 计算机应用, 2025, 45(11): 3529-3539.

Jinghua ZHAO, Zhu ZHANG, Xiting LYU, Huidan LIN. Multiscale information diffusion prediction model based on hypergraph neural network[J]. Journal of Computer Applications, 2025, 45(11): 3529-3539.

图/表 18

图1 MIDHGNN模型框架

Fig. 1 Framework of MIDHGNN model

图2 HGNN提取用户全局偏好特征的过程

Fig. 2 Process of extracting users' global preference features by HGNN

图3 GRU模型子图示例

Fig. 3 GRU model subgraph example

图4 强化学习模型

Fig. 4 Reinforcement learning model

表1 实验数据集统计详情

Tab. 1 Statistical details of experimental datasets

数据集	#Users	#Links	#Cascades	Avg.Length
Twitter	12 627	309 631	3 442	32.60
Douban	23 123	348 280	10 602	27.14
Android	9 958	48 573	679	33.30

表2 时间窗口长度对模型性能和训练效率的影响

Tab. 2 Impact of time window length on model performance and training efficiency

$Δ$ /h	Hits@10	mAP@10	MSLE	训练时间/h
6	0.302	0.217	0.923	8.2
12	0.308	0.224	0.905	6.3
24	0.318	0.224	0.896	4.5
48	0.311	0.221	0.912	3.9

表2 时间窗口长度对模型性能和训练效率的影响

Tab. 2 Impact of time window length on model performance and training efficiency

$Δ$ /h	Hits@10	mAP@10	MSLE	训练时间/h
6	0.302	0.217	0.923	8.2
12	0.308	0.224	0.905	6.3
24	0.318	0.224	0.896	4.5
48	0.311	0.221	0.912	3.9

表3 参数设置

Tab. 3 Parameter settings

参数名	参数值	参数名	参数值
Batch Size	16	d_model	64
d_pos	8	warmup epochs	10
Num Epoch	50	embed_dim	64
Dropout Rate	0.1	k	5

表4 微观尺度预测实验结果

Tab. 4 Experimental results of micro-scale prediction

数据集	模型	Hits@10	Hits@50	Hits@100	mAP@10	mAP@50	mAP@100
Twitter	NDM	0.215 2	0.322 3	0.383 1	0.143 0	0.148 0	0.148 9
	SNIDSA	0.233 7	0.354 6	0.434 9	0.148 4	0.154 0	0.155 1
	GraphSAGE	0.257 7	0.337 8	0.453 7	0.156 3	0.166 5	0.170 2
	FOREST	0.261 8	0.409 5	0.503 9	0.172 1	0.178 8	0.180 2
	TGAT	0.248 0	0.360 7	0.478 7	0.164 0	0.170 4	0.178 0
	MIDHGNN	0.318 4	0.443 7	0.534 5	0.227 9	0.233 1	0.236 3
Douban	NDM	0.103 1	0.188 7	0.240 2	0.055 4	0.059 3	0.060
	SNIDSA	0.118 1	0.219 1	0.283 7	0.063 6	0.068 1	0.069 1
	GraphSAGE	0.123 3	0.190 3	0.223 9	0.053 3	0.057 2	0.060 3
	FOREST	0.141 6	0.247 9	0.312 5	0.078 9	0.083 8	0.084 7
	TGAT	0.137 8	0.184 8	0.265 3	0.067 2	0.071 8	0.076 3
	MIDHGNN	0.160 2	0.275 8	0.345 4	0.091 1	0.096 0	0.097 0
Android	NDM	0.017 0	0.042 3	0.055 5	0.005 9	0.007 0	0.007 2
	GraphSAGE	0.065 5	0.094 3	0.118 2	0.052 2	0.054 1	0.057 3
	FOREST	0.086 6	0.173 9	0.231 4	0.062 8	0.066 7	0.067 5
	TGAT	0.071 2	0.166 2	0.196 4	0.061 1	0.063 2	0.066 1
	MIDHGNN	0.096 9	0.189 6	0.250 6	0.072 3	0.075 3	0.075 4

表5 宏观尺度预测实验结果

Tab. 5 Experimental results of macro-scale prediction

数据集	模型	MSLE
Twitter	DeepCas	2.261
	DeepHawkes	2.411
	FOREST	0.975
	TGAT	1.164
	MIDHGNN	0.896
Douban	DeepCas	2.122
	DeepHawkes	1.725
	FOREST	0.825
	TGAT	0.927
	MIDHGNN	0.721
Android	DeepCas	2.122
	DeepHawkes	1.971
	FOREST	0.556
	TGAT	0.741
	MIDHGNN	0.538

表6 Twitter 数据集的消融实验结果

Tab. 6 Ablation experiment results on Twitter dataset

模型	Hits@100	mAP@100	MSLE
-GCN	0.515 4	0.220 2	0.935
-HGNN	0.503 2	0.214 0	1.021
-RL	0.520 2	0.223 0	—
-HGNN+RL	0.501 1	0.207 4	—
MIDHGNN	0.534 5	0.236 3	0.896

图5 用户节点嵌入维度对微观预测指标值的影响

Fig. 5 Impact of user node embedding dimension on micro prediction index value

表7 用户节点嵌入维度对宏观预测指标值的影响

Tab. 7 Impact of user node embedding dimension on macro prediction index value

用户节点嵌入维度	MSLE	用户节点嵌入维度	MSLE
16	1.046	64	0.896
32	0.967	128	0.986

图6 位置嵌入维度对微观预测指标值的影响

Fig. 6 Impact of position embedding dimension on micro prediction index value

表8 位置嵌入维度对宏观预测指标值的影响

Tab.8 Impact of position embedding dimension on macro prediction index value

位置嵌入维度	MSLE	位置嵌入维度	MSLE
2	1.134	16	1.037
4	1.083	32	1.042
8	0.896

图7 GRU层数对微观预测指标值的影响

Fig. 7 Impact of number of GRU layers on micro prediction index value

表9 GRU层数对宏观预测指标值的影响

Tab.9 Impact of number of GRU layers on macro prediction index value

GRU层数	MSLE	GRU层数	MSLE
1	0.921	3	0.912
2	0.896	4	0.934

图8 注意力头数对微观预测指标值的影响

Fig. 8 Impact of number of attention heads on micro prediction index value

表10 注意力头数对宏观预测指标值的影响

Tab.10 Impact of number of attention heads on macro prediction index value

注意力头数	MSLE	注意力头数	MSLE
2	0.945	10	0.901
4	0.091	12	0.899
6	0.903	14	0.904
8	0.896

参考文献 39

[1]	王震宇，朱学芳.基于多模态Transformer的虚假新闻检测研究［J］.情报学报，2023，42（12）：1477-1486.
	WANG Z Y， ZHU X F. Research on fake news detection based on multimodal Transformer［J］. Journal of the China Society for Scientific and Technical Information， 2023， 42（12）： 1477-1486.
[2]	LI Q， XIE Y， WU X， et al. User behavior prediction model based on implicit links and multi-type rumor messages［J］. Knowledge-Based Systems， 2023， 262： No.110276.
[3]	WANG J， HU Y， JIANG T X， et al. Essential tensor learning for multimodal information-driven stock movement prediction［J］. Knowledge-Based Systems， 2023， 262： No.110262.
[4]	YANG X， YANG Y， SU J， et al. Who's next： rising star prediction via diffusion of user interest in social networks［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（5）： 5413-5425.
[5]	LI Y， JIN H， YU X， et al. Intelligent prediction of private information diffusion in social networks［J］. Electronics， 2020， 9（5）： No.719.
[6]	PORTILLO-VAN DIEST A， BALLESTER COMA L， MORTIER P， et al. Experience sampling methods for the personalised prediction of mental health problems in Spanish university students： protocol for a survey-based observational study within the PROMES-U project［J］. BMJ Open， 2023， 13（7）： No.e072641.
[7]	赵蓉英，李新来，李丹阳.高校新媒体信息传播网络结构及其演化特征［J］.情报科学，2022，40（6）：3-11.
	ZHAO R Y， LI X L， LI D Y. Structure and evolution feature on information transmission network of university new media［J］. Information Science， 2022， 40（6）： 3-11.
[8]	王晰巍，庄蕙荥，姜奕冰，等.重大突发事件下网络舆情传播中回声室网络结构研究［J］.情报理论与实践，2024，47（1）：101-109.
	WANG X W， ZHUANG H X， JIANG Y B， et al. Research on network structure of echo chamber in network public opinion propagation for major emergencies［J］. Information Studies： Theory and Application， 2024， 47（1）： 101-109.
[9]	CHEN X， ZHOU F， ZHANG K， et al. Information diffusion prediction via recurrent cascades convolution［C］// Proceedings of the IEEE 35th International Conference on Data Engineering. Piscataway： IEEE， 2019： 770-781.
[10]	SUN X， ZHOU J， LIU L， et al. Explicit time embedding based cascade attention network for information popularity prediction［J］. Information Processing and Management， 2023， 60（3）： No.103278.
[11]	苗琛香，刘小洋.融合超图注意力机制与图卷积网络的信息扩散预测［J］.计算机应用研究，2023，40（6）：1715-1720.
	MIAO C X， LIU X Y. Information diffusion prediction based on hypergraph attention mechanism and graph convolution network［J］. Application Research of Computers， 2023， 40（6）： 1715-1720.
[12]	GONG Y C， WANG M， LIANG W， et al. UHIR： an effective information dissemination model of online social hypernetworks based on user and information attributes［J］. Information Sciences， 2023， 644： No.119284.
[13]	丁晟春，包舟，刘笑迎.突发事件舆情传播中用户交互行为预测研究［J］.现代情报，2023，43（9）：111-123.
	DING S C， BAO Z， LIU X Y. Research on user behavior prediction of emergency public opinion communication［J］. Journal of Modern Information， 2023， 43（9）： 111-123.
[14]	JIA X， SHANG J， LIU D， et al. HeDAN： heterogeneous diffusion attention network for popularity prediction of online content［J］. Knowledge-Based Systems， 2022， 254： No.109659.
[15]	MENG F， CHEN L， HERRING P， et al. Information and disseminator features influences online negative information recognition and dissemination［J］. International Journal of Pattern Recognition and Artificial Intelligence， 2023， 37（3）： No.2350005.
[16]	赵小月，曾园园，江昊.基于C-DGCN的信息流行度预测［J］.武汉大学学报（工学版），2023，56（4）：506-514.
	ZHAO X Y， ZENG Y Y， JIANG H. Information popularity prediction model based on C-DGCN［J］. Engineering Journal of Wuhan University， 2023， 56（4）： 506-514.
[17]	ZHAO J H， ZHAO J L， FENG J. Information diffusion prediction based on cascade sequences and social topology［J］. Computers and Electrical Engineering， 2023， 109（Pt B）： No.108782.
[18]	梁少斌，陈志豪，魏晶晶，等.基于级联时空特征的信息传播预测方法［J］.模式识别与人工智能，2021，34（11）：969-978.
	LIANG S B， CHEN Z H， WEI J J， et al. Information diffusion prediction based on cascade spatial-temporal feature［J］. Pattern Recognition and Artificial Intelligence， 2021， 34（11）： 969-978.
[19]	吕锡婷，赵敬华，荣海迎，等.基于Transformer和关系图卷积网络的信息传播预测模型［J］.计算机应用，2024，44（6）：1760-1766.
	LYU X T， ZHAO J H， RONG H Y， et al. Information diffusion prediction model based on Transformer and relational graph convolutional network［J］. Journal of Computer Applications， 2024， 44（6）： 1760-1766.
[20]	WANG R， XU X， ZHANG Y. Multiscale information diffusion prediction with minimal substitution neural network［J］. IEEE Transactions on Neural Networks and Learning Systems， 2025， 36（1）： 1069-1080.
[21]	YANG C， WANG H， TANG J， et al. Full-scale information diffusion prediction with reinforced recurrent networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2023， 34（5）： 2271-2283.
[22]	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks［EB/OL］. ［2024-09-26］..
[23]	操东林. 基于深度强化学习的金融投资研究［D］. 济南：山东财经大学， 2023.
	CAO D L. Research on financial investment based on deep reinforcement learning［D］. Jinan： Shandong University of Finance and Economics， 2023.
[24]	WILLIAMS R J. Simple statistical gradient-following algorithms for connectionist reinforcement learning［J］. Machine Learning， 1992， 8（3/4）： 229-256.
[25]	HODAS N O， LERMAN K. The simple rules of social contagion［J］. Scientific Reports， 2014， 4： No.4343.
[26]	ZHONG E， FAN W， WANG J， et al. ComSoc： adaptive transfer of user behaviors over composite social network［C］// Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2012： 696-704.
[27]	SANKAR A， ZHANG X， KRISHNAN A， et al. Inf-VAE： a variational autoencoder framework to integrate homophily and influence in diffusion prediction［C］// Proceedings of the 13th ACM International Conference on Web Search and Data Mining. New York： ACM， 2020： 510-518.
[28]	YANG C， SUN M， LIU H， et al. Neural diffusion model for microscopic cascade study［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 14（8）： 1128-1139.
[29]	WANG Z， CHEN C， LI W. A sequential neural information diffusion model with structure attention［C］// Proceedings of the 27th ACM International Conference on Information and Knowledge Management. New York： ACM， 2018： 1795-1798.
[30]	HAMILTON W L， YING R， LESKOVEC J. Inductive representation learning on large graphs［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 1025-1035.
[31]	LI C， MA J， GUO X， et al. DeepCas： an end-to-end predictor of information cascades［C］// Proceedings of the 26th International Conference on World Wide Web. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2017： 577-586.
[32]	CAO Q， SHEN H， CEN K， et al. DeepHawkes： bridging the gap between prediction and understanding of information cascades［C］// Proceedings of the 2017 ACM Conference on Information and Knowledge Management. New York： ACM， 2017： 1149-1158.
[33]	YANG C， TANG J， SUN M， et al. Multi-scale information diffusion prediction with reinforced recurrent networks［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence. California： IJCAI.org， 2019： 4033-4039.
[34]	XU D， RUAN C， KORPEOGLU E， et al. Inductive representation learning on temporal graphs［EB/OL］. ［2024-07-06］. .
[35]	LIU B， YANG D， SHI Y， et al. Improving information cascade modeling by social topology and dual role user dependency［C］// Proceedings of the 2022 International Conference on Database Systems for Advanced Applications， LNCS 13245. Cham： Springer， 2022： 425-440.
[36]	CHEN X， ZHANG K， ZHOU F， et al. Information cascades modeling via deep multi-task learning［C］// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2019： 885-888.
[37]	鲍鹏，徐昊.基于图注意力时空神经网络的在线内容流行度预测［J］.模式识别与人工智能，2019，32（11）：1014-1021.
	BAO P， XU H. Predicting popularity of online contents via graph attention based spatial-temporal neural network［J］. Pattern Recognition and Artificial Intelligence， 2019， 32（11）： 1014-1021.
[38]	JIAO P， CHEN H， BAO Q， et al. Enhancing multi-scale diffusion prediction via sequential hypergraphs and adversarial learning［C］// Proceedings of the 38th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2024： 8571-8581.
[39]	VASWANIA， SHAZEER N， PARMAR N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.

基于超图神经网络的多尺度信息传播预测模型

Multiscale information diffusion prediction model based on hypergraph neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 39

相关文章 15

编辑推荐

Metrics

[1]	梁一鸣, 范菁, 柴汶泽. 基于双向交叉注意力的多尺度特征融合情感分类[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2773-2782.
[2]	石超, 周昱昕, 扶倩, 唐万宇, 何凌, 李元媛. 基于骨架和3D热图的注意缺陷多动障碍患者动作识别算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3036-3044.
[3]	颜承志, 陈颖, 钟凯, 高寒. 基于多尺度网络与轴向注意力的3D目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2537-2545.
[4]	陈亮, 王璇, 雷坤. 复杂场景下跨层多尺度特征融合的安全帽佩戴检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2333-2341.
[5]	陈丹阳, 张长伦. 多尺度去相关的图卷积网络模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2180-2187.
[6]	李自亮, 朱广丽, 张玉雷, 刘佳佳, 焦熠璇, 张顺香. 集成句法与情感知识的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1724-1731.
[7]	薛天宇, 李爱萍, 段利国. 联合任务卸载和资源优化的车辆边缘计算方案[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1766-1775.
[8]	王向, 崔倩倩, 张晓明, 王建超, 王震洲, 宋佳霖. 改进ConvNeXt的无线胶囊内镜图像分类模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 2016-2024.
[9]	陈盈涛, 方康康, 张金敖, 梁浩然, 郭焕斌, 邱兆文. 基于多尺度空间特征的冠状动脉CT血管造影图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 2007-2015.
[10]	周天彤, 郑妍琪, 魏韬, 戴亚康, 邹凌. 融合变分图自编码器与局部-全局图网络的认知负荷脑电识别模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1849-1857.
[11]	颜文婧, 王瑞东, 左敏, 张青川. 基于风味嵌入异构图层次学习的食谱推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1869-1878.
[12]	许鹏程, 何磊, 李川, 钱炜祺, 赵暾. 基于Transformer的深度符号回归方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1455-1463.
[13]	陈满, 杨小军, 杨慧敏. 基于图卷积网络和终点诱导的行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1480-1487.
[14]	王泉, 陆啟想, 施珮. 用于交通流量预测的多图扩散注意力网络[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1472-1479.
[15]	姜坤元, 李小霞, 王利, 曹耀丹, 张晓强, 丁楠, 周颖玥. 引入解耦残差自注意力的边界交叉监督语义分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1120-1129.