基于宏微观动力学的多尺度信息传播预测方法技术

技术编号：42931624 阅读：3 留言：0更新日期：2024-10-11 15:54

本发明专利技术公开了基于宏微观动力学的多尺度信息传播预测方法，该方法首先读取用于信息传播预测的数据集的社交网络构建社交图，利用图卷积网络学习社交图中的用户社交结构特征。其次读取数据集中的信息级联序列，构建传播时序图和传播超图，分别利用宏微观动力学嵌入和超图神经网络，得到局部和全局传播特征。然后将局部传播特征和全局传播特征作为传播特征解耦模块的输入。最后将传播特征解耦模块的两个输出，分别作为两个线性层的输入进行预测，预测出下一时刻用户的感染概率和级联的大小，并计算出对应的任务损失。本发明专利技术基于复杂网络动力学理论原理，实现了对社交网络信息传播动态的精准预测。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于图神经网络，具体是一种基于宏微观动力学的多尺度信息传播预测方法。

技术介绍

1、在移动通信和互联网技术的推动下，社交平台已成为各种信息传播的中心枢纽。这些平台在提高人们生活便利性和开放性的同时，也为有害内容和谣言的传播提供了便利。因此，分析信息传播过程对于理解信息传播模式具有重要意义。此外，它在制定有效的控制策略、预测信息传播趋势和识别有影响力的用户方面也有广泛的应用。

2、信息传播是指信息或新思想通过社交网络中的通信链接在用户之间传播的过程，这个过程可以用信息级联来表示。现有关于信息级联建模研究主要集中在两个方面：(1)宏观层面的任务，包括估计级联的累积或整体规模；(2)微观层面的任务，包括预测在级联中受影响的后续用户。

3、这两项任务由两个动态过程推动：宏观动力学和微观动力学。宏观动力学包括信息传播的总体规模和演变趋势。cascn和casflow就是显著的例子，它们侧重于分析更大网络层面传播事件的整体规模和结构属性。而微观动力学则体现在信息传播过程中观察到的局部复杂性和个体行为。例如，topolstm和snidsa专门捕捉单个用户在传播过程中表现出的细微动态和行为。然而，这些研究只解决了单方面问题，未能在宏观和微观动力学之间架起桥梁。

4、宏观动力学和微观动力学往往相互纠缠。一方面，用户个人行为直接影响传播的宏观结构。例如，用户的活跃度和传播概率会影响整个事件的规模和轨迹。另一方面，网络的结构和规模也会对用户行为产生相互影响。例如，用户倾向于优先与朋友分享传播率较高的信息。</p>

5、目前一些研究试图整合这两种动力学，如forest和dmt-lic。然而，这些研究要么优先考虑微观动力学，为宏观预测提供信息，要么将宏观和微观动力学作为平行任务进行预测，忽略了有效学习它们之间的动态纠缠。因此，针对特定任务学习和利用两种动力学的动态纠缠是一个亟待解决的重要问题。

技术实现思路

1、本专利技术旨在解决有效利用信息传播中宏微观动力学的动态纠缠过程来增强多尺度信息传播预测的挑战，提出了一种基于宏微观动力学的多尺度信息传播预测方法。具体来说，为了模拟信息传播的动态过程，将信息级联构造成时序网络并利用设计好的时序注意点过程学习局部传播特征。同时定义了一个通用的动力学方程来体现传播网络规模的演化模式。为了解决多条信息级联形成的大规模网络的复杂性，将信息级联构造成超图并利用超图卷积网络学习全局传播特征。最后设计了一个特征分解模块，该模块提供了一种机制，能够有效地解耦局部传播特征和全局传播特征，更灵活地处理微观和宏观层面的信息，为后续预测任务提供更有针对性的输入。

2、本专利技术基于宏微观动力学的多尺度信息传播预测方法，采用以下步骤实现：

3、步骤1：读取用于信息传播预测的公开数据集(如christianity、twitter等)的社交网络，构建社交图。社会网络结构揭示了用户之间的联系，也反映了特定社区的用户偏好，这对信息扩散预测模型的性能有重要影响。

4、步骤2：利用多层图卷积网络(gcn)学习社交图中的用户社交结构特征，并将其作为传播时序图和传播超图中用户节点的初始特征。

5、步骤3：读取数据集中的信息级联序列，构建传播时序图。该时序网络中，连接两个节点的每一条边都有一个时间戳。该结构能够在保持传播网络结构的前提下反应其随时间的动态演化。

6、步骤4：读取数据集中的信息级联序列，构建传播超图。超图结构能够准确反映级联内部的上下文关系和不同级联之间的交互影响。

7、步骤5：对于传播时序图，利用宏微观动力学嵌入(mmde)整合微观和宏观动力学，模拟信息传播过程，得到局部传播特征。在微观动力学角度，将边缘的建立视为传播事件，并使用时间注意点过程来捕捉用户嵌入的结构和时间属性。在宏观动力学角度，将网络规模的固有演化模式定义为以用户嵌入为参数的动态方程。在此步骤中，传播时序图的节点初始特征为步骤2中的用户社交结构特征。该用户社交结构特征经过mmde处理后得到局部传播特征。

8、步骤6：对于传播超图，利用超图神经网络(hgnn)捕捉级联与用户之间的交互，得到全局传播特征。在此步骤中，传播超图的节点特征为步骤2中的用户社交结构特征。该用户社交结构特征经过hgnn后得到全局传播特征。

9、步骤7：将局部传播特征和全局传播特征作为传播特征解耦模块的输入，该模块可以有机地将两种特征整合与解耦，为微观预测任务和宏观预测任务提取有效特征。

10、步骤8：将传播特征解耦模块的两个输出，也就是用于微观预测任务的微观特征和用于宏观预测任务的宏观特征，分别作为两个线性层的输入进行预测，得预测出下一时刻用户的感染概率和级联的最终大小，并计算出对应的任务损失。

11、步骤9：最小化总体损失并重复步骤5-8来优化模型，直至完成预定迭代轮数。

12、本专利技术具有的有益效果：

13、本专利技术提出了一种基于宏微观动力学的多尺度信息传播预测模型，基于复杂网络动力学理论原理，实现了对社交网络信息传播动态的精准预测。具体而言，此项技术采用了时序网络学习和超图卷积网络学习相结合的方法，有效地捕捉了信息传播过程中的局部和全局特征，并通过特征分解模块将这两种特征解耦，从而在微观和宏观层面对信息传播行为做出更为准确的预测。这种预测方法在理解用户间的社交结构、信息传播的时间动态演化以及不同信息流间的相互影响方面均有显著提升，为信息传播预测领域提供了一种新的、高效的解决方案。

本文档来自技高网...

【技术保护点】

1.基于宏微观动力学的多尺度信息传播预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述社交图表示为：其中是代表用户的点集，εS是边集，εS中的每条边ei,j＝(ui,uj)代表用户ui和uj之间的社交关系；社交图的结构用邻接矩阵AS表示，在邻接矩阵中，如果ei,j∈εS则邻接矩阵中代表用户ui和uj之间存在社交关系的元素Ai,j＝1，否则Ai,j＝0。

3.根据权利要求2所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述传播时序图中，连接两个节点的每一条边都有一个时间戳，给定信息级联集合C＝{ci|1≤i≤M}，构建相应的时序图过程如下：

4.根据权利要求3所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述传播超图结构每条级联都表示为连接参与同一级联的用户的超边，其中节点集包含了所有参与传播的用户，而超边集εD则反映了级联的传播关系，传播超图用关联矩阵表示H，定义为：

5.根据权利要求4所述的基于宏微观动力学的多尺度信息传播预测方法，其

6.根据权利要求5所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述微观动力学角度具体实现如下：

7.根据权利要求6所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述宏观动力学角度具体实现过程如下：

8.根据权利要求7所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述传播特征解耦模块具体实现过程如下：

9.根据权利要求8所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，步骤7所述计算出对应的任务损失具体过程如下：

...

【技术特征摘要】

1.基于宏微观动力学的多尺度信息传播预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述社交图表示为：其中是代表用户的点集，εs是边集，εs中的每条边ei,j＝(ui,uj)代表用户ui和uj之间的社交关系；社交图的结构用邻接矩阵as表示，在邻接矩阵中，如果ei,j∈εs则邻接矩阵中代表用户ui和uj之间存在社交关系的元素ai,j＝1，否则ai,j＝0。

3.根据权利要求2所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述传播时序图中，连接两个节点的每一条边都有一个时间戳，给定信息级联集合c＝{ci|1≤i≤m}，构建相应的时序图过程如下：

4.根据权利要求3所述的基于宏微观动力学的多尺度信息传播预测方法，其特征在于，所述传播超图结构每条级联都表示为连接参与同一级联的用户的超边，其中节点集包含了所有参与传播的用户，而超边集ε...

【专利技术属性】
技术研发人员：焦鹏飞，陈虹茜，高梦州，鲍青，赵治栋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人