-
题名基于超图神经网络的多尺度信息传播预测模型
- 1
-
-
作者
赵敬华
张柱
吕锡婷
林慧丹
-
机构
上海理工大学管理学院
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)
-
出处
《计算机应用》
北大核心
2025年第11期3529-3539,共11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)
上海市逆向物流与供应链协同创新中心开放课题。
-
文摘
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
-
Keywords
information diffusion prediction
Graph Convolutional Network(GCN)
HyperGraph Neural Network(HGNN)
Reinforcement Learning(RL)
multiscale
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
