典型文献
基于时空Transformer的社交网络信息传播预测
文献摘要：
随着社交网络的日益普及和广泛应用,信息传播预测逐渐成为了社交网络分析领域的一个热点研究问题.之前大部分研究要么只利用信息传播序列,要么只利用用户之间的社交网络来进行预测,难以对信息传播过程的复杂性进行有效建模.此外,常用于信息传播预测的循环神经网络(recurrent neural network,RNN)及其变体难以有效捕获信息之间的相关性.为解决上述问题,提出了一个新的基于时空Transformer的社交网络信息传播预测模型STT.该模型首先构建由社交网络图和动态传播图组成的异构图并使用图卷积网络(graph convolutional network,GCN)来学习用户的结构特征;然后将用户的时序特征和结构特征放入到Transformer中进行融合来获取时空特征;为有效融合用户的时序特征和结构特征,提出了一种新的残差融合方式来替代Transformer中原有的残差连接;最后利用Transformer来进行信息传播预测.真实数据集上的大量实验验证了模型STT的有效性.
文献关键词：
社交网络;信息传播预测;Transformer;图卷积网络;时空特征
中图分类号：
作者姓名：
范伟;刘勇
作者机构：
黑龙江大学计算机科学技术学院 哈尔滨 150080
文献出处：
引用格式：
[1]范伟;刘勇-.基于时空Transformer的社交网络信息传播预测)[J].计算机研究与发展,2022(08):1757-1769
A类：
信息传播预测
B类：
Transformer,社交网络分析,热点研究,研究问题,要么,用用,信息传播过程,循环神经网络,recurrent,neural,network,RNN,变体,STT,网络图,动态传播,异构图,图卷积网络,graph,convolutional,GCN,习用,时序特征,放入,时空特征,有效融合,残差融合,融合方式,残差连接,真实数据
AB值：
0.278964
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
