基于分层注意力的信息级联预测模型

• 作者: 张凤荔 张志扬 王瑞锦 陈学勤
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 在线社交媒体 深度学习 循环神经网络 图表示学习 信息级联预测 多头注意力机制
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 人工智能
• 页码范围: 201-209
• 页数: 9页
• 分类号: TP183
• 字数: 10048字
• 语种: 中文
• DOI: 10.11896/jsjkx.200200117

摘要

信息级联预测(Information Cascade Prediction)是社交网络分析领域的一个研究热点,其通过信息级联的扩散序列与拓扑图来学习在线社交媒体中信息的传播模式.当前的信息级联预测模型大多以循环神经网络为基础,仅考虑信息级联的时序结构信息或者序列内部的空间结构信息,无法学习序列之间的拓扑关系.而现有的级联图结构学习方法无法为节点的邻居分配不同的权重,导致节点之间的关联性学习较差.针对上述问题,文中提出了基于节点表示的信息级联采样方法,将信息级联建模为节点表示而非序列表示.随后提出一种基于分层注意力的信息级联预测(Information Cascade Prediction with Hierar-chical Attention,ICPHA)模型.该模型首先通过结合了自注意力机制的循环神经网络来学习节点序列的时序结构信息;然后通过多头注意力机制学习节点表示之间的空间结构信息;最后通过分层的注意力网络对信息级联的结构信息进行联合建模.所提模型在Twitter,Memes,Digg这3种数据集上达到了领先的预测效果,并且具有良好的泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张凤荔	电子科技大学信息与软件工程学院	76	816	13.0	26.0
2	王瑞锦	电子科技大学信息与软件工程学院	37	180	7.0	12.0
3	陈学勤	电子科技大学信息与软件工程学院	6	9	2.0	2.0
4	张志扬	电子科技大学信息与软件工程学院	2	0	0.0	0.0