基于多特征融合和深度学习的微观扩散预测

准确地预测社交网络中的信息扩散节点可以对谣言、计算机病毒等不良信息的传播以及信息泄露做到早检测、早溯源和早抑制。为了提高微观扩散预测精度，该文提出了一个基于多特征融合和深度学习的微观信息扩散预测通用框架(MFFDLP)。为了获取信息扩散的时序特征，基于信息扩散序列和社交网络图，采用门控循环神经网络提取局部时序特征和全局时序特征，并融合形成信息扩散序列表征；为了获取用户交互行为和兴趣爱好的动态表示，根据历史信息构建信息扩散图，使用级联图注意力网络提取信息扩散子图中节点特征和边特征，并通过嵌入查找，融合形成当前信息扩散序列中相应节点的动态扩散表征；使用双多头注意力机制，进一步捕获静态和动态扩散特征的上下文信息，实现了高精度微观扩散预测。在3个公共数据集上的对比实验结果表明：所提方法优于对比方法，在微观扩散预测的精度上最高提高了9.98%。