CN115858899B 一种基于多标签影响的网络事件标签流行度预测方法 （中国人民解放军国防科技大学）

一种基于多标签影响的网络事件标签流行本发明提供一种基于多标签影响的网络事组件模拟标签之间传播影响过程的传播流行度标签相关的传播影响网络数据输入训练好的模2S3.针对网络事件收集事件相关标签，并利用标签之间的关联构造事件标签传播关系可观测数据对时间进行窗口划分，然后根据时间窗口下的数据构造网络事件标签i的局部所述构造的语义特征和时序群体特征包括：基于图注意力网络的传播关系特征嵌入播属性图作为输入到动态传播特征聚合表示层中，获取可观测时间内t个窗口内组成的2.根据权利要求1所述的一种基于多标签影响的网络事件标签流行度预测方法，其特S302.构造静态语义关系属性图，将语义特征作为标签关系图中的静态属性来构建事S303.构造事件标签传播时序属性图序列，基于事件标签传播时序属性图Gf,本模型同时刻的群体影响，计算影响传播的节点群体特征Ht，使得Gf=(vf,时33.根据权利要求2所述的一种基于多标签影响的网络事件标签流行度预测方法，其特对于社交网络事件，上述过程在可观测时间窗口的数据中建立事件标签关系图G＝<V,是直接处理具有诸多噪声信息的全局网络G本身，此步骤的抽样方法选择了重启随机行走4.根据权利要求2所述的一种基于多标签影响的网络事件标签流行度预测方法，其特将标签所在的推文补充可观测时间窗口内标签的语义信息，获取4G"=(V,E,H⃞)5.根据权利要求1所述的一种基于多标签影响的网络事件标签流行度预测方法，其特所有关联标签节点的推文总数，该指标表达参与该标签的群体在t时刻对于事件标签的整示时间窗口t下发布事件相关推文的用户总量，该指标表达参与事件标签的群体对当前标根据上述方法构造了目标标签i的特征图作为深度学习模型6.根据权利要求1所述的一种基于多标签影响的网络事件标签流行度预测方法，其特5S401.学习传播关系特征嵌入层，传播关系特征嵌入负责学习不同标签之间的传播影其中α∈R2xd,，Θ表示可训练的权重矩阵，j∈N(i)表示标签节点j与i在邻接矩阵中存针对静态语义关系属性图，将作为输入到学习传播关系特征嵌入层每一个时间窗口下的传播属性图作为输入，获取可观S402.特征融合模块负责将标签节点的语义特征和传播特征融合，进而作为下一层的S403.根据事件态势发展出现标签语义局部强相关的特点，模型应用路由机制对标签7.根据权利要求6所述的一种基于多标签影响的网络事件标签流行度预测方法，其特6其中Nt表示低层投票图的邻接矩阵，表示图胶囊网络中初始底层网络的(B)建立动态路由选择，这一过程的任务通过迭代计算低层节点v到更高层胶囊u之间biy初始化为0.然后通过式下面三个公式进行R次迭代计算出动态路由权重biy,三个公U,A＝RV(V,N)式中的1表示抽象到更高层后仅聚合出一个节点的图表示，这个节点的特征向量表示8.根据权利要求1所述的一种基于多标签影响的网络事件标签流行度预测方法，其特7本在t+1快照内的并将该值设置为样本的真实使用包括转发数和带有标签形式的原创数量之和作为用户群体的关注指标，即少原创推文涵盖了目标标签；9.一种计算机装置，包括存储器和处理器，所述存储器存现如权利要求1至8中任意一项所述的基于多标签影响的网络事件标签8要平台。官方媒体或自媒体通过社交网络服务，将社会正在发生的事件实时的发布到社交事件的流行于否与现实中的具体事件的影响程度有直接的关系。社会中的事件通常被冠以其进行引流和维护。网络事件在这些标签的相互影响下继续扩散传播，以实现扩大社交网络影响范围的作用。现实中，如果网络事件在社交媒体中已经造成了一定影响，例如成为关的标签之间相互影响，形成传播流量上的竞争或合作关系，这种标签之间的强相关性推动了事件在网络中传播的范围。社交网络事件标签模式的出现，改变了社会热点事件在网络中传播的模式，标签具有更强的聚集效应以及语义概括能力，推动了网络用户参与传播形式吸引流量。生每一个子话题都会被不同兴趣的用户群体参与，这些话题代表了群体的针对事件的表[0004]先前有大量的工作对社交网络事件的话题标签的流行度预测进行了研究，一方9[0014]S3.针对网络事件收集事件相关标基于可观测数据对时间进行窗口划分，然后根据时间窗口下的数据构造网络事件标签i的[0026](D)从网络事件标签关系全局图G中针对目标标签i采样一个固定大小的子网络与上一步获得的节点属性构造静态的语义关系属性图G=(vi,E,H)。其中，Vi为目标标签i的关联节点集合，Ei为标签节点关系集合，为节点Vi的语义特征表示集合，且[0035]S303.构造事件标签传播时序属性图序列，基于事件标签传播时序[0041]其中，Us(n)表示表示时间窗口t时刻发布由标签的推文的用户粉丝数量总和，当前标签的群体关注程度。关键指标作为时序下标签参与群体的影响评价标准，于是获得了目标标签i的动态传播属[0046]其中然后对于数据集中每一个热点事件的标[0047]步骤4：构造语义特征和时序群体特征，所述构造的语义特征和时序群体特征包矩阵Hsem和动态传播矩阵H'dym作为输入到特征融合层，得到融合标签节点的语义特征和传[0049]S401.学习传播关系特征嵌入[0056]针对静态语义关系属性图，将G"=(V,E,HY)作为输入到学习传播关[0059]S402.特征融合模块主要负责将标签节下一层的输入，为了保持在时序过程中节点语义不变性，模型将Hsem在矩阵H'dym中进行广[0062]S403.根据事件态势发展出现标签rfenl表示图胶囊网络中初始底层网络的投票表示向量，每一个向量veRS视为vi对高层集群中的胶囊节点uj的投票权重表F'1+F'1表示输入向量的维度。[0066](B)建立动态路由选择，这一过程的任务通过迭代计算低层节点v到更高层胶囊uby初始化为0.然后通过式下面三个公式进行R次迭代计算出动态路由权重by,j的作用是计算每组投票和高层胶囊之间的一致整图嵌入的表示，这样做的作用是在图胶囊网络的基础上，最大限度的保留了局部的[0081]式中的1表示抽象到更高层后仅聚合出一个节点的图表示，这个节点的特征向量[0083]S5.将样本中不同时序子图的表示向量ht输入到LSTM模型进行动态时序表示学[0089]ci=f*ci-1十z1*⃞[0093]S502.获取样本的真实值标签，对于网络事件标签i的局部传播影响特征图Gi，统计该样本在t+1快照内的并将该值设置为样本的真实值标签yi。由于标签在社交网络中传播的特殊性，原创并带有标签的推文也视为对传播的行为。因此本发明使用了包括转发数和带有标签形式的原创数量之和作为用户群体的关注指标，即其中表示有多少人转发了带有事件标签的推文，c"表示有多[0099]本发明建立了一种基于多标签影响的网络事件标签流行[0101]1.本发明针对见建模社交网络博文传播过程中节点表示中获得隐藏的相互影响[0104]4本发明针对会产生标签关系网络图的节点不断增加的问题，这样可能产生大量据基于可观测数据对时间进行窗口划分，然后根据时间窗口下的数据构造网络事件标签i的局部传播影响特征图Gi，包括提取静态语义特征图以及动态群体传播时序图序列[0114]步骤4：构造语义特征和时序群体特征，所述构造的语义特征和时序群体特征包矩阵Hsem和动态传播矩阵H'dym作为输入到特征融合层，得到融合标签节点的语义特征和传[0115]步骤5：将样本中不同时序子图的表示向量ht输入到LSTM模型进行动态时序表示据基于可观测数据对时间进行窗口划分，然后根据时间窗口下的数据构造网络事件标签i的局部传播影响特征图Gi，包括提取静态语义特征图以及动态群体传播时序图序列法对标签之间的语义关系建立链接，该方法能够表达标签在事件语义数据间的权重关系，[0133]步骤D：从网络事件标签关系全局图G中针对目标标签i采样一个固定大小的子网[0136]步骤302：构造静态语义关系属性图，将语义特征作为标签关系图中的静态属性标标签i的关联节点集合，Ei为标签节点关系集合，为节点Vi的语义特征表示集合，且=(V,,[0148]其中，U(n)表示表示时间窗口t时刻发布由标签的推文的用户粉丝数量总和，当前标签的群体关注程度。的关键指标作为时序下标签参与群体的影响评价标准，于是获得了目标标签i的动态传播[0153]其中然后对于数据集中每一个热点事件的标[0154]步骤4：构造语义特征和时序群体特征，所述构造的语义特征和时序群体特征包矩阵Hsem和动态传播矩阵H'dym作为输入到特征融合层，得到融合标签节点的语义特征和传G=(V,E,H)作为输入到学习传播关系特征嵌F'2＝32；[0172]其中Nt表示低层投票图的邻接矩阵，表示图胶囊网络中初始底层网络的投票表示向量，每一个向量vyeRS视为vi对高层集群中的胶囊节点uj的投票权重表[0175]by初始化为0.然后通过式下面三个公式进行R次迭代计算出动态路由权重by,三[0188]式中的1表示抽象到更高层后仅聚合出一个节点的图表示，这个节点的特征向量[0190]步骤5：将样本中不同时序子图的表示向量ht输入到LSTM模型进行动态时序表示i和oi分别是第t个窗口特征的遗忘门向量、输入门向量和输出门向[0200]S502.获取样本的真实值标签，对于网络事件标签i的局部传播影响特征图Gi，统计该样本在t+1快照内的并将该值设置为样本的真实值标签yi。由于标签在社交网络中传播的特殊性，原创并带有标签的推文也视为对传播的行为。因此本发明使用了包括转发数和带有标签形式的原创数量之和作为用户群体的关注指标，即其中c"表示有多少人转发了带有事件标签的推文，c"表示有多[0206](2)更准确的标签流行度预测能力。在事件标签流行度预测任务上具有显著的性了25.9％和29.3这表明提出的标签传播影响关系以及语义特征对流行度预测模型具有读存储器(ReadOnlyMemory，简称：ROM)，可编程只读存储器(ProgrammableRead_OnlyMemory，简称：PROM)，可擦除只读存储器(ErasableProgrammableRead_OnlyMemory，简称：EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead_用处理器，包括中央处理器(CentralProcessin