MGOIDP:用于微观信息扩散预测的增强记忆功能的图神经常微分方程
《IEEE Transactions on Network Science and Engineering》:MGOIDP: Memory-enhanced Graph Neural Ordinary Differential Equations for Microscopic Information Diffusion Prediction
【字体:
大
中
小
】
时间:2026年03月26日
来源:IEEE Transactions on Network Science and Engineering 7.9
编辑推荐:
提出MGOIDP模型,通过动态图ODE分别优化社会图和扩散图,利用记忆增强机制提取时空用户表示,结合多头注意力模块预测信息扩散路径,在四个真实数据集上验证其预测精度优于现有方法。
摘要:
社交网络的出现改变了信息传播的方式,因此准确建模和预测微观信息扩散变得至关重要。近期研究重点在于通过分析社交图和扩散图中的关系和角色来优化动态用户表示。然而,现有的基于动态图的方法通常依赖于离散的快照序列,而不是对用户隐藏状态的连续演变进行建模,这一限制往往导致预测精度不够理想。为了解决这一问题,本文提出了MGOIDP(Memory-enhanced Graph neural Ordinary differential equations for microscopic Information Diffusion Prediction),该方法能够模拟信息在社交图和扩散图上的连续时间演变。具体而言,MGOIDP采用了两种不同的图ODE(常微分方程)来有效捕捉这两种图的不同特性。对于边数较少、更能代表潜在传播路径的扩散图,引入了动态边耦合图ODE来随时间细化节点交互;而对于边密度较高、计算成本较高的社交图,则采用了可扩展的基于扩散的图ODE来高效模拟信息扩散过程。此外,通过从时间相邻的ODE状态中检索上下文感知的用户嵌入,生成了增强记忆的表示形式,从而确保用户当前的偏好能够被有效编码,以提高预测精度。最后,MGOIDP利用多头注意力模块来预测扩散级联中的下一个用户。在四个真实世界数据集上的实验表明,其在Hits@和MAP@指标上的表现优于现有最先进模型。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号