资源下载

点击下载原文PDF

chap3 基于时空Transformer的社交网络信息传播预测模型

图1，首先，构造了一个由社交图和动态传播图构成的异构图；然后使用 GCN 从异构图上学习用户的结构特征；再将用户的时序特征和结构特征分别添加位置嵌入，把添加位置嵌入后的时序特征作为Transformer 的 Query 集，把添加位置嵌入后的结构特征分别作为 Transformer的 key 和 Value 集；最后用Transformer预测下一个转发信息的用户．实验中提出了一个新的残差融合方式，能够有效融合用户的时序特征和结构特征．

3.1 异构图的构建

图2，在异构图中，需要为每条边分配相应的权重，用传播图中某条边出现的次数作为异构图中该边的权重

3.3 时空 Transformer 神经网络

图3，Transformer中的 decoder 层由N层叠加，来进行最后的序列任务预测

式（2），带掩码的多头注意力层：
式（7），在经过多头注意力层之后，会使用残差网络来强化用户特征，Fusion：优化后的残差融合方式
#chap4 实验结果及分析

4.1 对比方法和参数设置

与最新的信息传播预测深度学习方法进行比较
利用２个广泛使用的排名指标 Map＠k和 Hits＠k进行评估

4.4 实验结果

Table 2、3、4，STT 模型不仅利用社交网络信息，而且还利用传播图来建模信息传播行为，显著提高了预测性能；
Tbble 5，STT模型与DyHGCN 模型相比,在Map＠k和 Hits＠k 方面都优于DyHGCN；

4.5 消融实验

Table 6，STT模型及其变体模型在Twitter、Douban数据集上的消融实验：每一处改进对基线模型都有提升

4.6 参数分析

Table 8、9、10、11，研究了超参数的不同选择对模型性能的影响．

深度学习——day42 基于时空Transformer的社交网络信息传播预测模型相关推荐

《改进SIR 模型在社交网络信息传播中的应用》仿真实现
摘要基于<改进SIR 模型在社交网络信息传播中的应用>一文中提出的改进SIR模型,使用Matlab进行了仿真实现.另外,基于原文的模型,依据实际话题热度进行了其它仿真和分析. 背景信息 ...
深度学习决策支持时空预测_重工业的预测性维护和决策支持系统
深度学习决策支持时空预测 Digital transformation is one of the top priorities for industrial companies. The larg ...
深度学习实战—基于TensorFlow 2.0的人工智能开发应用
作者:辛大奇著出版社:中国水利水电出版社品牌:智博尚书出版时间:2020-10-01 深度学习实战-基于TensorFlow 2.0的人工智能开发应用
Python深度学习：基于TensorFlow
作者:吴茂贵,王冬,李涛,杨本法出版社:机械工业出版社品牌:机工出版出版时间:2018-10-01 Python深度学习:基于TensorFlow
Python深度学习：基于PyTorch [Deep Learning with Python and PyTorch]
作者:吴茂贵,郁明敏,杨本法,李涛,张粤磊著出版社:机械工业出版社品牌:机工出版出版时间:2019-11-01 Python深度学习:基于PyTorch [Deep Learning with ...
深度学习入门基于Python的理论与实现
作者:斋藤康毅出版社:人民邮电出版社品牌:iTuring 出版时间:2018-07-01 深度学习入门基于Python的理论与实现
【深度学习】基于Pytorch进行深度神经网络计算(一)
[深度学习]基于Pytorch进行深度神经网络计算(一) 文章目录 1 层和块 2 自定义块 3 顺序块 4 在正向传播函数中执行代码 5 嵌套块 6 参数管理(不重要) 7 参数初始化(重要) 8 ...
【深度学习】基于Pytorch进行深度神经网络计算(二)
[深度学习]基于Pytorch进行深度神经网络计算(二) 文章目录 1 延后初始化 2 Pytorch自定义层2.1 不带参数的层2.2 带参数的层 3 基于Pytorch存取文件 4 torch.n ...
【深度学习】基于Pytorch的卷积神经网络概念解析和API妙用(一)
[深度学习]基于Pytorch的卷积神经网络API妙用(一) 文章目录 1 不变性 2 卷积的数学分析 3 通道 4 互相关运算 5 图像中目标的边缘检测 6 基于Pytorch的卷积核 7 特征映射 ...

深度学习——day42 基于时空Transformer的社交网络信息传播预测模型

基于时空Transformer的社交网络信息传播预测模型