计算机应用

作者：项能强, 朱小飞, 高肇泽

单位：重庆理工大学 计算机科学与工程学院，重庆 400054

关键词：信息传播预测,原型,超图,动态图,图卷积网络

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)

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。

来源：2024年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第10期