检索结果-维普期刊中文期刊服务平台

融合用户关系表示和信息传播拓扑特征的信息传播预测: 1; 作者吴运兵高航 +1 位作者曾炜森阴爱英《计算机科学与探索》 CSCD 北大核心 2024年第10期2738-2749,共12页; 信息传播预测旨在分析信息传播网络或社交媒体中信息扩散的规律,以理解和预测信息的传播过程。现有工作主要关注用户群体关系中的社交关系和动态影响关系,忽略了群体关系中用户间相似性关系和个体关系中内在因素对用户转发信息的影响。... 展开更多; 关键词信息传播预测拓扑结构相似性共同兴趣; 在线阅读下载PDF 职称材料

基于Transformer和关系图卷积网络的信息传播预测模型被引量：1: 2; 作者吕锡婷赵敬华 +1 位作者荣海迎赵嘉乐《计算机应用》 CSCD 北大核心 2024年第6期1760-1766,共7页; 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(... 展开更多; 关键词信息传播预测 TRANSFORMER 关系图卷积网络双向长短期记忆网络时空特征; 在线阅读下载PDF 职称材料

原型感知双通道图卷积神经网络的信息传播预测模型被引量：1: 3; 作者项能强朱小飞高肇泽《计算机应用》 CSCD 北大核心 2024年第10期3260-3266,共7页; 针对现有的信息传播预测模型难以挖掘用户对级联的依赖关系的问题,提出一种原型感知双通道图卷积神经网络(PDGCN)的信息传播预测模型。首先,使用超图卷积网络(HGCN)学习基于级联超图级的用户表示和级联表示,同时使用图卷积网络(GCN)学... 展开更多; 关键词信息传播预测原型超图动态图图卷积网络; 在线阅读下载PDF 职称材料

微博信息传播预测研究综述被引量：43: 4; 作者李洋陈毅恒刘挺《软件学报》 EI CSCD 北大核心 2016年第2期247-263,共17页; 微博已经逐渐成为人们获取信息、分享信息的重要社会媒体,深刻影响并改变了信息的传播方式.针对微博信息传播预测问题展开综述.该研究对舆情监控、微博营销、个性化推荐具有重要意义.首先概述微博信息传播过程,通过介绍微博信息传播的... 展开更多; 关键词微博信息传播预测信息流行度传播行为信息传播路径; 在线阅读下载PDF 职称材料

基于时空Transformer的社交网络信息传播预测被引量：8: 5; 作者范伟刘勇《计算机研究与发展》 EI CSCD 北大核心 2022年第8期1757-1769,共13页; 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... 展开更多; 关键词社交网络信息传播预测 TRANSFORMER 图卷积网络时空特征; 在线阅读下载PDF 职称材料

基于深度学习的信息传播微观预测综述: 6; 作者黄宁博周刚 +2 位作者章梦礼张萌朱秀宝《中文信息学报》北大核心 2025年第3期1-19,共19页; 信息传播预测旨在预测信息在用户网络中的演化趋势,对舆情管控、市场营销、定向广告等应用具有重要意义。传统的信息传播预测方法依赖于特定的传播模型,这些模型的预测性能和通用性较差。近年来,深度学习技术迅速发展,得益于其对序列、... 展开更多; 关键词信息传播预测信息级联深度学习表示学习神经网络; 在线阅读下载PDF 职称材料

微博机制和转发预测研究被引量：12: 7; 作者张亚明唐朝生李伟钢《情报学报》 CSSCI 北大核心 2013年第8期868-876,共9页; 摘要微博机制和转发预测是当前学术研究的一个热点，具有重要的科学研究意义和经济社会价值。本文总结了基于图论的微博机制，对微博转发优化查询算法和预测技术的最新进展进行了系统归纳，明确指出了微博转发预测中用户特征所涉及的用... 展开更多; 关键词微博信息传播转发预测复杂网络在线社交网络; 在线阅读下载PDF 职称材料

题名融合用户关系表示和信息传播拓扑特征的信息传播预测: 1; 作者吴运兵高航曾炜森阴爱英; 机构福州大学计算机与大数据学院福州大学至诚学院计算机工程系; 出处《计算机科学与探索》 CSCD 北大核心 2024年第10期2738-2749,共12页; 基金国家自然科学基金(62002064) 福建省自然科学基金(2022J01116)。; 文摘信息传播预测旨在分析信息传播网络或社交媒体中信息扩散的规律,以理解和预测信息的传播过程。现有工作主要关注用户群体关系中的社交关系和动态影响关系,忽略了群体关系中用户间相似性关系和个体关系中内在因素对用户转发信息的影响。为此,提出了融合用户关系表示和信息传播拓扑特征的信息传播预测模型,从群体关系和个体关系两个层面分析用户受信息影响的可能性。在群体关系层面,构建用户共现次数图来学习用户相似性关系表示,随后融合了用户关系表示和信息传播拓扑特征来更全面地捕捉群体关系;在个体关系层面,融合了用户个体特征表示和影响因素向量,以捕捉不同的内在因素对刺激用户转发信息h的影响。实验结果表明,该模型在两个公开数据集上性能均有提升,在Memetracker数据集上MAP@k和its@k评价指标分别平均提升了6.54%和2.75%。; 关键词信息传播预测拓扑结构相似性共同兴趣; Keywords information diffusion prediction topological structure similarity common interest; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于Transformer和关系图卷积网络的信息传播预测模型被引量：1: 2; 作者吕锡婷赵敬华荣海迎赵嘉乐; 机构上海理工大学管理学院; 出处《计算机应用》 CSCD 北大核心 2024年第6期1760-1766,共7页; 基金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) 上海理工大学尚理晨曦社科专项重点项目(23SLCX-ZD-006)。; 文摘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(Bi-LSTM)网络对各节点的时间嵌入重新编码,引入时间衰减项以不同的权重赋予不同时间位置的节点,获得节点的时序特征;最后,将结构特征和时序特征输入Transformer进行融合,得到时空特征以预测信息传播。在Twitter、Douban和Memetracker这3个真实数据集上的实验结果表明,相较于对比实验中的最优模型,TRGCN的Hits@100指标分别提升3.18%,5.96%和3.34%,Map@100指标分别提升11.60%,19.72%和8.47%,验证了所提模型的有效性和合理性。; 关键词信息传播预测 TRANSFORMER 关系图卷积网络双向长短期记忆网络时空特征; Keywords information diffusion prediction Transformer Relational Graph Convolutional Network(RGCN) Bi-directional Long Short-Term Memory(Bi-LSTM)network spatial-temporal feature; 分类号 TP399 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名原型感知双通道图卷积神经网络的信息传播预测模型被引量：1: 3; 作者项能强朱小飞高肇泽; 机构重庆理工大学计算机科学与工程学院; 出处《计算机应用》 CSCD 北大核心 2024年第10期3260-3266,共7页; 基金重庆市自然科学基金资助项目(CSTB2022NSCQ-MSX1672) 重庆市教育委员会科学技术研究计划重大项目(KJZD-M202201102) 重庆理工大学研究生教育高质量发展项目(gzlcx20233187)。; 文摘针对现有的信息传播预测模型难以挖掘用户对级联的依赖关系的问题,提出一种原型感知双通道图卷积神经网络(PDGCN)的信息传播预测模型。首先,使用超图卷积网络(HGCN)学习基于级联超图级的用户表示和级联表示,同时使用图卷积网络(GCN)学习基于动态友谊转发图的用户表示;其次,对于给定的目标级联,分别从上述2个级别的用户表示中查找符合当前级联的用户表示,并融合这两种表示;再次,通过聚类算法得到级联表示的原型;最后,查找当前级联最匹配的原型,并使用该原型融入当前级联的每个用户表示,从而计算候选用户的传播概率。相较于记忆增强的顺序超图注意网络(MS-HGAT),在Twitter数据集上,PDGCN的Hits@100提升了1.17%,MAP@100提升了5.02%;在Android数据集上,PDGCN的Hits@100提升了3.88%,MAP@100提升了0.72%。实验结果表明,所提模型在信息传播预测任务上优于对比模型,具有更好的预测性能。; 关键词信息传播预测原型超图动态图图卷积网络; Keywords information diffusion prediction prototype hypergraph dynamic graph Graph Convolutional Network(GCN); 分类号 TP391.3 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名微博信息传播预测研究综述被引量：43: 4; 作者李洋陈毅恒刘挺; 机构哈尔滨工业大学计算机科学与技术学院社会计算与信息检索研究中心; 出处《软件学报》 EI CSCD 北大核心 2016年第2期247-263,共17页; 基金国家重点基础研究发展计划(973)(2014CB340503) 国家自然科学基金(61472107 61202277)~~; 文摘微博已经逐渐成为人们获取信息、分享信息的重要社会媒体,深刻影响并改变了信息的传播方式.针对微博信息传播预测问题展开综述.该研究对舆情监控、微博营销、个性化推荐具有重要意义.首先概述微博信息传播过程,通过介绍微博信息传播的定性研究工作,揭示微博信息传播的特点;接着,从以信息为中心、以用户为中心以及以信息和用户为中心这3个角度介绍微博信息传播预测相关研究工作,对应的主要研究任务分别是微博信息流行度预测、用户传播行为预测和微博信息传播路径预测;继而介绍可用于微博信息传播预测研究的公开数据资源;最后,展望微博信息传播预测研究的问题与挑战.; 关键词微博信息传播预测信息流行度传播行为信息传播路径; Keywords microblog prediction of information propagation popularity of information spread behavior path of information dissemination; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于时空Transformer的社交网络信息传播预测被引量：8: 5; 作者范伟刘勇; 机构黑龙江大学计算机科学技术学院; 出处《计算机研究与发展》 EI CSCD 北大核心 2022年第8期1757-1769,共13页; 基金国家自然科学基金项目(61972135,61602159) 黑龙江省自然科学基金项目(LH2020F043) 哈尔滨科技创新人才研究专项资金项目(2017RAQXJ094)。; 文摘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.; 关键词社交网络信息传播预测 TRANSFORMER 图卷积网络时空特征; Keywords social network information diffusion prediction Transformer graph convolutional network spatial-temporal feature; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度学习的信息传播微观预测综述: 6; 作者黄宁博周刚章梦礼张萌朱秀宝; 机构信息工程大学数据与目标工程学院数学工程与先进计算国家重点实验室; 出处《中文信息学报》北大核心 2025年第3期1-19,共19页; 文摘信息传播预测旨在预测信息在用户网络中的演化趋势,对舆情管控、市场营销、定向广告等应用具有重要意义。传统的信息传播预测方法依赖于特定的传播模型,这些模型的预测性能和通用性较差。近年来,深度学习技术迅速发展,得益于其对序列、网络、文本等数据强大的表征能力,基于深度学习的信息传播预测研究显著提高了预测的性能。然而,当前关于信息传播预测的综述都是针对传统传播预测方法或流行度预测展开的。因此,该文着重对当前基于深度学习的信息传播微观预测技术进行了总结、梳理和归纳。根据模型挖掘的特征类型,将其划分为基于传播路径的方法以及融合社会关系和信息内容的方法。此外,对信息传播微观预测中常用的数据集和评估指标进行了归纳总结。最后,该文对当前研究现状进行了总结,分析了当前基于深度学习的信息传播微观预测研究中存在的普遍性问题,并对未来可能的研究趋势进行了展望。; 关键词信息传播预测信息级联深度学习表示学习神经网络; Keywords microscopic information diffusion prediction information cascade deep learning representation learning neural network; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名微博机制和转发预测研究被引量：12: 7; 作者张亚明唐朝生李伟钢; 机构燕山大学经济管理学院巴西利亚大学计算机系; 出处《情报学报》 CSSCI 北大核心 2013年第8期868-876,共9页; 基金国家自然科学基金资助项目:云环境用户多兴趣图谱的移动商务关联性推荐模型及算法研究(71271186) 教育部人文社会科学研究规划基金项目资助:云环境下基于用户兴趣图谱的网络社区营销推荐机理研究(12YJA630191) 河北省自然科学基金项目:面向云计算的移动商务用户多源兴趣进化模型及关联性推荐算法研究(G2013203237); 文摘摘要微博机制和转发预测是当前学术研究的一个热点，具有重要的科学研究意义和经济社会价值。本文总结了基于图论的微博机制，对微博转发优化查询算法和预测技术的最新进展进行了系统归纳，明确指出了微博转发预测中用户特征所涉及的用户关系、用户影响力和用户兴趣算法等关键问题；以微博内容特征为切人点，分析了统计学方法、机器学习方法和网络拓扑分析方法的最新模型和技术应用框架；最后，提出了“六度分隔”理论范式、多层耦合网络中的微博用户行为预测、面向微博的“大数据”算法创新与知识挖掘等微博转发预测亟待突破的前沿性研究课题。; 关键词微博信息传播转发预测复杂网络在线社交网络; Keywords micro-blog, information dissemination, re-post prediction, complex network, online social network; 分类号 G206 [文化科学—传播学]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	融合用户关系表示和信息传播拓扑特征的信息传播预测	吴运兵高航曾炜森阴爱英	《计算机科学与探索》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于Transformer和关系图卷积网络的信息传播预测模型	吕锡婷赵敬华荣海迎赵嘉乐	《计算机应用》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	原型感知双通道图卷积神经网络的信息传播预测模型	项能强朱小飞高肇泽	《计算机应用》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	微博信息传播预测研究综述	李洋陈毅恒刘挺	《软件学报》 EI CSCD 北大核心	2016	43	在线阅读下载PDF 职称材料
5	基于时空Transformer的社交网络信息传播预测	范伟刘勇	《计算机研究与发展》 EI CSCD 北大核心	2022	8	在线阅读下载PDF 职称材料
6	基于深度学习的信息传播微观预测综述	黄宁博周刚章梦礼张萌朱秀宝	《中文信息学报》北大核心	2025	0	在线阅读下载PDF 职称材料
7	微博机制和转发预测研究	张亚明唐朝生李伟钢	《情报学报》 CSSCI 北大核心	2013	12	在线阅读下载PDF 职称材料