【技術實現步驟摘要】
本專利技術涉及信息傳播，尤其涉及一種基于擴散模型的早期信息傳播預測方法及系統。
技術介紹
1、信息傳播的流行度預測是當前社交網絡分析領域的重要研究方向，其在推薦系統、廣告投放和社交媒體趨勢分析等方面具有廣泛應用價值。信息傳播的過程通常被描述為信息級聯，是指信息通過用戶網絡動態傳播的過程。而流行度預測的目標是量化一條消息所能獲得的關注度，例如轉發量或分享量。準確預測信息傳播的流行度，可以為優化傳播策略、提升用戶參與度以及制定營銷計劃提供科學依據。
2、現有的流行度預測方法主要分為兩類：基于特征的方法和基于深度學習的方法。基于特征的方法通過手動提取傳播內容、發布者屬性和發布時間等關鍵特征來進行預測。這類方法雖然能夠在早期階段提供一定的預測能力，但由于特征設計的復雜性和不足，往往在準確性方面受到限制。深度學習方法近年來在信息傳播建模中取得了顯著進展，特別是循環神經網絡和圖神經網絡的應用，為捕捉傳播的時間序列特性和結構特性提供了有力工具。然而，這些方法依賴于較長的觀察窗口，其預測能力在早期傳播階段通常有所下降，難以滿足實時性需求。
技術實現思路
1、鑒于此，本專利技術實施例提供了一種基于擴散模型的早期信息傳播預測方法，以消除或改善現有技術中存在的一個或更多個缺陷。
2、本專利技術的一個方面提供了一種基于擴散模型的早期信息傳播預測方法，該方法的步驟包括：
3、獲取統計的用戶社交圖和當前參與待預測信息傳播的用戶及該用戶參與傳播的時間點；
4、基于
5、基于各個參與待預測信息傳播的用戶和該用戶參與傳播的時間點，順序構建歷史傳播序列；
6、將所述歷史傳播序列輸入到預訓練的級聯表示學習模塊中，所述級聯表示學習模塊輸出第一級聯表示序列組；
7、將所述第一級聯表示序列組輸入到預訓練的級聯生成模型中，所述級聯生成模型輸出第二級聯表示序列組，所述級聯生成模型為擴散模型的結構；
8、將所述第二級聯表示序列組輸入到預訓練的流行度預測模塊中，輸出預測的流行度值。
9、采用上述方案，傳統深度學習方法依賴于大量歷史數據和長時間觀察窗口，使得在信息傳播初期預測效果不理想；本方案通過構建基于擴散過程的級聯生成模型，采用時間插值器和逆向去噪機制，能夠生成高質量的級聯表示，本方案在早期數據不足的情況下，依然能夠捕捉級聯的時間動態性和結構特征，從而為流行度預測提供更為準確的輸入特征，顯著提升了信息傳播初期的預測效果和模型的魯棒性。
10、在本專利技術的一些實施方式中，所述用戶社交圖為通過鄰接矩陣表示的用戶關系，鄰接矩陣中包括對應每個用戶的行和列，基于所述用戶社交圖確定參與待預測信息傳播的用戶的用戶編碼，將所述鄰接矩陣中參與待預測信息傳播的用戶的行作為用戶編碼。
11、在本專利技術的一些實施方式中，在基于所述用戶編碼和該用戶參與傳播的時間點確定用戶序列組的步驟中，對所述時間點進行編碼，得到時間戳編碼，將所述用戶編碼和時間戳編碼進行拼接得到用戶序列組。
12、在本專利技術的一些實施方式中，所述級聯表示學習模塊的結構為transformer和圖注意力網絡的串聯架構。
13、在本專利技術的一些實施方式中，所述級聯生成模型包括順序連接的時間插值加噪模塊和逆向去噪模塊，所述時間插值加噪模塊包括多個加噪子模塊，所述逆向去噪模塊包括多個去噪子模塊，所述時間插值加噪模塊輸出目標預測時間點的用戶序列組，所述逆向去噪模塊用于對目標預測時間點的用戶序列組進行更新，并將最終更新的目標預測時間點的用戶序列組作為第二級聯表示序列組。
14、在本專利技術的一些實施方式中，所述時間插值加噪模塊中的多個加噪子模塊順序串聯，每個加噪子模塊均用于對下一個時間點的用戶序列組進行預測。
15、在本專利技術的一些實施方式中，所述逆向去噪模塊中的多個去噪子模塊順序串聯，每個所述去噪子模塊均包括一個插值網絡和預測網絡，所述插值網絡用于對第一級聯表示序列組和目標預測時間點的用戶序列組之間的用戶序列組進行插值，得到插值的用戶序列組，將插值的用戶序列組輸入到預測網絡中，通過預測網絡基于插值的用戶序列組更新目標預測時間點的用戶序列組。
16、在本專利技術的一些實施方式中，所述插值網絡和加噪子模塊的網絡結構相同，均為順序連接的卷積層、注意力層、embedding層、注意力層、embedding層、注意力層和卷積層。
17、在本專利技術的一些實施方式中，在將所述第二級聯表示序列組輸入到預訓練的流行度預測模塊中，輸出預測的流行度值的步驟中，所述流行度預測模塊采用mlp網絡。
18、本專利技術的第二方面還提供一種基于擴散模型的早期信息傳播預測系統，該系統包括計算機設備，所述計算機設備包括處理器和存儲器，所述存儲器中存儲有計算機指令，所述處理器用于執行所述存儲器中存儲的計算機指令，當所述計算機指令被處理器執行時該系統實現如前所述方法所實現的步驟。
19、本專利技術的第三方面還提供一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時以實現前述基于擴散模型的早期信息傳播預測方法所實現的步驟。
20、本專利技術的附加優點、目的，以及特征將在下面的描述中將部分地加以闡述，且將對于本領域普通技術人員在研究下文后部分地變得明顯，或者可以根據本專利技術的實踐而獲知。本專利技術的目的和其它優點可以通過在說明書以及附圖中具體指出并獲得。
21、本領域技術人員將會理解的是，能夠用本專利技術實現的目的和優點不限于以上具體所述，并且根據以下詳細說明將更清楚地理解本專利技術能夠實現的上述和其他目的。
本文檔來自技高網...【技術保護點】
1.一種基于擴散模型的早期信息傳播預測方法，其特征在于，該方法的步驟包括：
2.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述用戶社交圖為通過鄰接矩陣表示的用戶關系，鄰接矩陣中包括對應每個用戶的行和列，基于所述用戶社交圖確定參與待預測信息傳播的用戶的用戶編碼，將所述鄰接矩陣中參與待預測信息傳播的用戶的行作為用戶編碼。
3.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，在基于所述用戶編碼和該用戶參與傳播的時間點確定用戶序列組的步驟中，對所述時間點進行編碼，得到時間戳編碼，將所述用戶編碼和時間戳編碼進行拼接得到用戶序列組。
4.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述級聯表示學習模塊的結構為Transformer和圖注意力網絡的串聯架構。
5.根據權利要求1~4任一項所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述級聯生成模型包括順序連接的時間插值加噪模塊和逆向去噪模塊，所述時間插值加噪模塊包括多個加噪子模塊，所述逆向去噪模塊包括多個去噪子模塊，所
6.根據權利要求5所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述時間插值加噪模塊中的多個加噪子模塊順序串聯，每個加噪子模塊均用于對下一個時間點的用戶序列組進行預測。
7.根據權利要求5所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述逆向去噪模塊中的多個去噪子模塊順序串聯，每個所述去噪子模塊均包括一個插值網絡和預測網絡，所述插值網絡用于對第一級聯表示序列組和目標預測時間點的用戶序列組之間的用戶序列組進行插值，得到插值的用戶序列組，將插值的用戶序列組輸入到預測網絡中，通過預測網絡基于插值的用戶序列組更新目標預測時間點的用戶序列組。
8.根據權利要求7所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述插值網絡和加噪子模塊的網絡結構相同，均為順序連接的卷積層、注意力層、embedding層、注意力層、embedding層、注意力層和卷積層。
9.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，在將所述第二級聯表示序列組輸入到預訓練的流行度預測模塊中，輸出預測的流行度值的步驟中，所述流行度預測模塊采用MLP網絡。
10.一種基于擴散模型的早期信息傳播預測系統，其特征在于，該系統包括計算機設備，所述計算機設備包括處理器和存儲器，所述存儲器中存儲有計算機指令，所述處理器用于執行所述存儲器中存儲的計算機指令，當所述計算機指令被處理器執行時該系統實現如權利要求1~9任一項所述方法所實現的步驟。
...【技術特征摘要】
1.一種基于擴散模型的早期信息傳播預測方法，其特征在于，該方法的步驟包括：
2.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述用戶社交圖為通過鄰接矩陣表示的用戶關系，鄰接矩陣中包括對應每個用戶的行和列，基于所述用戶社交圖確定參與待預測信息傳播的用戶的用戶編碼，將所述鄰接矩陣中參與待預測信息傳播的用戶的行作為用戶編碼。
3.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，在基于所述用戶編碼和該用戶參與傳播的時間點確定用戶序列組的步驟中，對所述時間點進行編碼，得到時間戳編碼，將所述用戶編碼和時間戳編碼進行拼接得到用戶序列組。
4.根據權利要求1所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述級聯表示學習模塊的結構為transformer和圖注意力網絡的串聯架構。
5.根據權利要求1~4任一項所述的基于擴散模型的早期信息傳播預測方法，其特征在于，所述級聯生成模型包括順序連接的時間插值加噪模塊和逆向去噪模塊，所述時間插值加噪模塊包括多個加噪子模塊，所述逆向去噪模塊包括多個去噪子模塊，所述時間插值加噪模塊輸出目標預測時間點的用戶序列組，所述逆向去噪模塊用于對目標預測時間點的用戶序列組進行更新，并將最終更新的目標預測時間點的用戶序列組作為第二級聯表示序列組。
6.根據權利要求5所述的基于擴散模型的早期信息傳播預測方...
【專利技術屬性】
技術研發人員：張熙，楊天齊，張勇東，吳侃，李朝卓，郭三川，
申請(專利權)人：北京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。