CN112182423A - 一种基于注意力机制的信息传播演化趋势预测方法 - Google Patents
一种基于注意力机制的信息传播演化趋势预测方法 Download PDFInfo
- Publication number
- CN112182423A CN112182423A CN202011098443.0A CN202011098443A CN112182423A CN 112182423 A CN112182423 A CN 112182423A CN 202011098443 A CN202011098443 A CN 202011098443A CN 112182423 A CN112182423 A CN 112182423A
- Authority
- CN
- China
- Prior art keywords
- attention
- user
- data
- users
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 9
- 230000007480 spreading Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000003012 network analysis Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于社交网络分析传播领域,特别涉及一种基于注意力机制的网络舆情事件演化趋势预测方法,包括从基于Web的研究型推荐系统下载或者利用社交平台的公共API获取原始数据;对于获取的数据进行预处理,并去除数据中的噪声和冗余数据,提取在信息传播过程中用户之间的注意力;构建基于注意力机制的GRU模型;利用历史数据通时间反向传播算法过对模型进行训练,在训练过程中最小化损失函数,训练参数通过使用小批量的Momentum优化器来更新;将待预测的数据输入训练好的模型,即可预测信息下一阶段可能传播的用户;本发明可以对信息传播过程进行有效干预和实时控制。
Description
技术领域
本发明属于社交网络分析传播领域,涉及社交网络中信息的传播过程,特别涉及一种基于注意力机制的网络舆情事件演化趋势预测方法。
背景技术
随着移动终端设备的广泛应用,在线社交网络已经成为用户传播、交流、共享和收集信息的主要平台。社交网络中关于信息传播的研究已经成为学术界和工业界广泛关注的热点话题。在线社交网络在传播新闻、思想、观点等方面发挥着突出的作用。例如,在新冠肺炎疫情防控期间,政府机构利用官方微信、微博、网络新媒体等平台及时发布官方信息,有效的阻止了虚假、有害信息的传播。同时,社交平台也为谣言、虚假新闻、有害信息的广泛传播提供了途径。因此,通过对社交网络中的用户行为数据的分析建模,不仅可以挖掘社交网络中信息传播的特点和演化规律,还可以预测社交网络中信息传播的演化趋势,从而对信息传播过程进行有效干预和实时控制。
现阶段,在社交网络中引发的网络舆情越来越多,对网络舆情的分析也逐渐成为研究热点。其主要研究在用户影响力、信息传播、用户转发等方向有不同程度的探索。与传统媒体相比,社交网络在传播新闻、思想、观点等方面发挥着突出的作用,同时也是传播谣言、虚假新闻等负面信息的最佳途径。因此,网络舆情演化趋势的准确预测和有效控制已成为重要的研究话题。目前,大多数研究从理论建模的角度对网络舆情事件的演化特性和发展趋势进行预测,基于用户行为特征的信息传播演化趋势预测模型建模及分析有待进一步研究,考虑到信息传播和用户行为的复杂性,利用注意力机制来挖掘用户之间的依赖性来预测真实的信息传播过程,最后,综合考虑影响信息传播的驱动因素,得到一种基于注意力机制的信息传播演化趋势预测模型。
发明内容
本发明提供一种基于注意力机制的网络舆情事件演化趋势预测方法,具体包括以下步骤:
S1、从基于Web的研究型推荐系统下载或者利用社交平台的公共API获取原始数据;
S2、对于获取的数据进行预处理,并去除数据中的噪声和冗余数据,提取在信息传播过程中用户之间的注意力;
S3、通过改造GRU时间维度模型融合注意力,获取基于注意力机制的GRU模型;
S4、利用历史数据通时间反向传播算法过对基于注意力机制的GRU模型进行训练,在训练过程中最小化损失函数,训练参数通过使用小批量的Momentum优化器来更新;
S5、将待预测的数据输入训练好的基于注意力机制的GRU模型,即可输出预测信息下一阶段可能传播的用户。
进一步的,提取在信息传播过程中用户之间的注意力包括:
利用用户的嵌入向量来计算信息传播过程中用户之间的注意力得分,并根据该注意力得分获得用户的注意力权重,第j个用户的注意力权重表示为:
其中,wkj为第k个用户的注意力得分,xk为第k个用户的嵌入向量,ELU为激活函数。
进一步的,第i个用户的嵌入向量xi通过将第i个用户的向量表示输入全连接层获得,表示为:
xi=ELU(Wxei+bx);
其中,Wx,bx为可学习的参数。
进一步的,当前用户的注意力得分取决于在当前用户之前传播的历史用户,当前用户j的注意力得分表示为:
进一步的,基于注意力机制的GRU模型包括:
fi=σ(Wfxi+vfdi+bf)
ri=σ(Wrxi+vrdi+br)
其中,xi为当前时间的输入的用户的嵌入向量,tanh和σ为激活函数;Wf、Wr、Wih为权重参数,bf、br、bh为偏差参数;ri为更新门;fi为重置门;hi为隐含状态向量;为候选隐含状态,vf、vr、vc为权重参数矩阵,⊙表示按元素乘法。进一步的,在对基于注意力机制的GRU模型的训练过程中,损失函数为:
本发明从参与信息传播的用户之间的相互作用以及其潜在用户入手,提出一种基于注意力机制的信息传播预测模型,利用GRU神经网络处理时序问题的有事,使用其来捕捉信息传播的时间序列在时间维度上的变化特性;在用户层面上,分析用户在信息传播过程的上下文信息(注意力),将其和GRU网络相融合,对信息传播过程进行预测;利用注意力机制来挖掘用户对信息传播过程中的影响来预测真实的信息传播过程,能够综合考虑用户在信息传播过程的作用,可以根据历史信息传播过程预测把握信息传播趋势,所以可以对舆情管控、网络水军的发现提供有力证据,为相关信息决策机构提供有效的建议以及应对策略。
附图说明
图1是本发明的整体框图;
图2是本发明的总体流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于注意力机制的网络舆情事件演化趋势预测方法,具体包括以下步骤:
S1、从基于Web的研究型推荐系统下载或者利用社交平台的公共API获取原始数据;
S2、对于获取的数据进行预处理,并去除数据中的噪声和冗余数据,提取在信息传播过程中用户之间的注意力;
S3、通过改造GRU时间维度模型融合注意力,获取基于注意力机制的GRU模型;
S4、利用历史数据通时间反向传播算法过对基于注意力机制的GRU模型进行训练,在训练过程中最小化损失函数,训练参数通过使用小批量的Momentum优化器来更新;
S5、将待预测的数据输入训练好的基于注意力机制的GRU模型,即可输出预测信息下一阶段可能传播的用户。
本发明的输入是某一个信息项在社交网络中的部分传播过程,经过预测模型后的输出是潜在用户是否会参与信息传播过程的预测结果。如图2所示为本发明的总体流程图,包括:数据处理模块,构建模型模块,预测分析模块共三大模块。
上述步骤S1获取数据源。主要分以下2个步骤。
S11:获取数据。从成熟的网络社区中获取信息传播过程数据。
S12:对于获取的数据,对数据进行时间切片,对数据源重复数据、无效数据进行清洗,有利于后续的处理。根据数据特点,对某一信息项传播的时间周期进行具体划分。在每个时间周期里,从训练数据中,找出已经参与信息传播过程的用户按照时间排序。
上述步骤S2获取用户在信息传播过程中的上下文信息。主要分以下2个步骤。
S21:对预处理后的数据进行处理,将用户向量化。在时间tn,模型的输入为信息传播序列qi={u1,u2,…,un}按照时间排序。为了更好的表达用户特征,每个输入用户的原始表示为ui∈{u1,u2,…,un},将序列中用户用向量表示为d为向量的维度。然后,将通过全连接层可以得到用户的嵌入向量。
xi=ELU(Wxei+bx);
其中,Wx,bx为可学习的参数,ELU为激活函数。
信息在社交网络中的传播过程中可以看作一个序列,假设用户集合用U来表示,用q代表某个信息的传播过程,q={(u0,t0),…,(uj,tj),…,(u|q|-1,t|q|-1)},其中,uj∈U表示某个传播序列q中的第j个用户,tj表示用户uj接收事件的时间,|q|表示传播过程q的长度。在本实施例中,是学习给予的部分的信息传播序列{u0,u1,…,uj},传播序列在时间tj之前按照接收信息的时间排序,模型的目标是预测下一时间接收此信息的用户uj+1。
S22:利用用户的嵌入向量来tj+1可能计算信息传播过程中用户之间的注意力得分,对于传播过程中用户的注意力,取决于已经在用户之前传播的历史用户u(k)={u1,…,uj-1},当前用户u(j)∈{u1,…,ui}的注意力得分可表示为:
当前用户u(j)的注意力权重可以表示为:
S31:从历史信息传播过程中,获取用户的注意力di。鉴于循环神经网络GRU具有优秀的时间序列问题处理能力,并且计算效率高于其他传统神经网络,因此本发明利用用户的注意力来构建GRU神经网络信息传播预测模型,用于捕捉的时间特性和用户之间的相关性。详细架构如下所示:
fi=σ(Wfxi+vfdi+bf)
ri=σ(Wrxi+vrdi+br)
其中,xi为当前时间的输入,tanh和σ为激活函数。Wf,Wr为权重参数,bf,br,bh为偏差参数,这些参数都会在神经网络中训练。ri为更新门可以控制隐藏状态应该如何被包含当前时间步信息的候选隐藏状态所更新,有助于捕捉时间序列里长期的依赖关系。fi为重置门可以用来丢弃与预测无关的历史信息,有助于捕捉时间序列里短期的依赖关系。隐含状态向量hi包含输入序列的隐含解释性因素,可以利用hi来预测下一个可能接收信息的用户。
S32:预测信息传播过程。预测下一时间可能接收信息的用户,其传播概率也就是用户uj+1接收传播轨迹中事件的概率。
其中,Wp,bp为权重参数矩阵。
上述步骤S4,预测和分析过程。主要分为以下步骤。
S41:根据S3建立基于注意力机制的信息传播预测模型,需要寻找模型的最优的参数。对于给定的训练信息传播序列,使用负对数似然估计函数来定义损失函数:
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,包括以下步骤:
S1、从基于Web的研究型推荐系统下载或者利用社交平台的公共API获取原始数据;
S2、对于获取的数据进行预处理,并去除数据中的噪声和冗余数据,提取在信息传播过程中用户之间的注意力;
S3、通过改造GRU时间维度模型融合注意力,获取基于注意力机制的GRU模型;
S4、利用历史数据通时间反向传播算法过对基于注意力机制的GRU模型进行训练,在训练过程中最小化损失函数,训练参数通过使用小批量的Momentum优化器来更新;
S5、将待预测的数据输入训练好的基于注意力机制的GRU模型,即可输出预测信息下一阶段可能传播的用户。
3.根据权利要求2所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,第i个用户的嵌入向量xi通过将第i个用户的向量表示输入全连接层获得,表示为:
xi=ELU(Wxei+bx);
其中,Wx、bx为可学习的参数。
7.根据权利要求6所述的一种基于注意力机制的网络舆情事件演化趋势预测方法,其特征在于,用户uj+1接收传播轨迹中事件的概率p(ui+1|hi)表示为:
p(uj+1|hj)=softmax(Wphi+bp)
其中,Wp、bp为权重参数矩阵,p(ui+1|hi)为用户uj+1接收传播轨迹中事件的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098443.0A CN112182423B (zh) | 2020-10-14 | 2020-10-14 | 一种基于注意力机制的网络舆情事件演化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098443.0A CN112182423B (zh) | 2020-10-14 | 2020-10-14 | 一种基于注意力机制的网络舆情事件演化趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182423A true CN112182423A (zh) | 2021-01-05 |
CN112182423B CN112182423B (zh) | 2022-09-27 |
Family
ID=73950121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011098443.0A Active CN112182423B (zh) | 2020-10-14 | 2020-10-14 | 一种基于注意力机制的网络舆情事件演化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182423B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948825A (zh) * | 2021-04-15 | 2021-06-11 | 中国人民解放军国防科技大学 | 社交网络中网络信息发生病毒性传播的预测方法、装置 |
CN113222774A (zh) * | 2021-04-19 | 2021-08-06 | 浙江大学 | 社交网络种子用户选择方法和装置、电子设备、存储介质 |
CN113505924A (zh) * | 2021-07-09 | 2021-10-15 | 福州大学 | 一种基于级联时空特征的信息传播预测方法及系统 |
CN113688600A (zh) * | 2021-09-08 | 2021-11-23 | 北京邮电大学 | 一种基于主题感知注意力网络的信息传播预测方法 |
CN114004709A (zh) * | 2021-11-11 | 2022-02-01 | 重庆邮电大学 | 一种信息传播的监测方法、装置及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682991A (zh) * | 2016-12-21 | 2017-05-17 | 重庆邮电大学 | 一种基于在线社交网络的信息传播模型及其传播方法 |
US20180247189A1 (en) * | 2017-02-28 | 2018-08-30 | Fuji Xerox Co., Ltd. | System and method for using deep learning to identify purchase stages from a microblog post |
CN110995485A (zh) * | 2019-12-02 | 2020-04-10 | 黑龙江大学 | 一种无拓扑结构的社交消息传播范围预测方法 |
CN111008337A (zh) * | 2019-11-06 | 2020-04-14 | 武汉大学 | 一种基于三元特征的深度注意力谣言鉴别方法及装置 |
CN111275085A (zh) * | 2020-01-15 | 2020-06-12 | 重庆邮电大学 | 基于注意力融合的在线短视频多模态情感识别方法 |
CN111310975A (zh) * | 2020-01-19 | 2020-06-19 | 浙江工业大学 | 一种基于深度模型的多任务消息传播预测方法 |
CN111339415A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学技术大学 | 一种基于多交互式注意力网络的点击率预测方法与装置 |
US20200210526A1 (en) * | 2019-01-02 | 2020-07-02 | Netapp, Inc. | Document classification using attention networks |
CN111695625A (zh) * | 2020-06-10 | 2020-09-22 | 西北工业大学 | 一种基于多级注意力机制网络的移动应用流行度预测方法 |
-
2020
- 2020-10-14 CN CN202011098443.0A patent/CN112182423B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682991A (zh) * | 2016-12-21 | 2017-05-17 | 重庆邮电大学 | 一种基于在线社交网络的信息传播模型及其传播方法 |
US20180247189A1 (en) * | 2017-02-28 | 2018-08-30 | Fuji Xerox Co., Ltd. | System and method for using deep learning to identify purchase stages from a microblog post |
US20200210526A1 (en) * | 2019-01-02 | 2020-07-02 | Netapp, Inc. | Document classification using attention networks |
CN111008337A (zh) * | 2019-11-06 | 2020-04-14 | 武汉大学 | 一种基于三元特征的深度注意力谣言鉴别方法及装置 |
CN110995485A (zh) * | 2019-12-02 | 2020-04-10 | 黑龙江大学 | 一种无拓扑结构的社交消息传播范围预测方法 |
CN111275085A (zh) * | 2020-01-15 | 2020-06-12 | 重庆邮电大学 | 基于注意力融合的在线短视频多模态情感识别方法 |
CN111310975A (zh) * | 2020-01-19 | 2020-06-19 | 浙江工业大学 | 一种基于深度模型的多任务消息传播预测方法 |
CN111339415A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学技术大学 | 一种基于多交互式注意力网络的点击率预测方法与装置 |
CN111695625A (zh) * | 2020-06-10 | 2020-09-22 | 西北工业大学 | 一种基于多级注意力机制网络的移动应用流行度预测方法 |
Non-Patent Citations (4)
Title |
---|
GUANDAN CHEN等: "An attention-based neural popularity prediction model for social media events", 《2017 IEEE INTERNATIONAL CONFERENCE ON INTELLIGENCE AND SECURITY INFORMATICS (ISI)》, 18 August 2017 (2017-08-18), pages 161 - 163 * |
叶云智: "微博传播与情感分析的可视化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, 15 January 2020 (2020-01-15), pages 139 - 191 * |
桑春艳等: "社交网络中基于注意力机制的网络舆情事件演化趋势预测", 《计算机科学》, vol. 48, no. 7, 11 March 2021 (2021-03-11), pages 118 - 123 * |
闫梦茹: "基于注意力机制的双向GRU网络在用户评分预测中的应用", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 7, 15 July 2020 (2020-07-15), pages 152 - 1241 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948825A (zh) * | 2021-04-15 | 2021-06-11 | 中国人民解放军国防科技大学 | 社交网络中网络信息发生病毒性传播的预测方法、装置 |
CN113222774A (zh) * | 2021-04-19 | 2021-08-06 | 浙江大学 | 社交网络种子用户选择方法和装置、电子设备、存储介质 |
CN113505924A (zh) * | 2021-07-09 | 2021-10-15 | 福州大学 | 一种基于级联时空特征的信息传播预测方法及系统 |
CN113505924B (zh) * | 2021-07-09 | 2023-08-01 | 福州大学 | 一种基于级联时空特征的信息传播预测方法及系统 |
CN113688600A (zh) * | 2021-09-08 | 2021-11-23 | 北京邮电大学 | 一种基于主题感知注意力网络的信息传播预测方法 |
CN113688600B (zh) * | 2021-09-08 | 2023-07-28 | 北京邮电大学 | 一种基于主题感知注意力网络的信息传播预测方法 |
CN114004709A (zh) * | 2021-11-11 | 2022-02-01 | 重庆邮电大学 | 一种信息传播的监测方法、装置及计算机可读存储介质 |
CN114004709B (zh) * | 2021-11-11 | 2024-04-30 | 重庆邮电大学 | 一种信息传播的监测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112182423B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182423B (zh) | 一种基于注意力机制的网络舆情事件演化趋势预测方法 | |
CN111538819B (zh) | 一种基于文档集多跳推理的问答系统的构建方法 | |
CN105809554B (zh) | 一种社交网络中用户参与热点话题的预测方法 | |
CN112863180B (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
CN110336700B (zh) | 一种基于时间及用户的转发序列的微博流行度预测方法 | |
CN110995485B (zh) | 一种无拓扑结构的社交消息传播范围预测方法 | |
CN110032630A (zh) | 话术推荐设备、方法及模型训练设备 | |
CN107818514B (zh) | 一种控制在线社交网络信息传播的方法、装置及终端 | |
CN107292390A (zh) | 一种基于混沌理论的信息传播模型及其传播方法 | |
CN113536144B (zh) | 一种社交网络信息的传播规模预测方法、装置 | |
Gupta et al. | Learning temporal point processes with intermittent observations | |
Zhou et al. | ICRC-HIT: A deep learning based comment sequence labeling system for answer selection challenge | |
Zhang et al. | Toy-IoT-Oriented data-driven CDN performance evaluation model with deep learning | |
Li et al. | Dynamic community detection based on graph convolutional networks and contrastive learning | |
Wang et al. | Efficient asynchronous federated neuromorphic learning of spiking neural networks | |
CN113762372B (zh) | 即时通讯信息中组织成员识别方法及装置 | |
CN115660147A (zh) | 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统 | |
CN116051304A (zh) | 基于级联间关系的信息传播预测系统 | |
CN111966885A (zh) | 一种用户画像的构建方法和装置 | |
Zarikas et al. | Intelligent elevators in a smart building | |
Sha et al. | Source detection on networks using spatial temporal graph convolutional networks | |
Cuomo et al. | Traditional and deep learning approaches to information and influence propagation in social networks | |
CN112348257A (zh) | 一种多源数据融合与时序分析驱动的选举预测方法 | |
Zhang et al. | A crowd-driven dynamic neural architecture searching approach to quality-aware streaming disaster damage assessment | |
Shi et al. | A survey on bayesian graph neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |