计算机应用

作者：赵敬华, 张柱, 吕锡婷, 林慧丹

单位：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

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

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

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。

来源：2025年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第11期