技术特征：
1.一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，包括以下步骤：s1：将每条消息转发记录对应一张级联图，并采样得到该级联图在观测时间内的演变子图；对采样得到的演变子图分别进行编码，得到节点的向量表示矩阵；s2：通过向量表示矩阵计算节点及其邻居节点的注意力权重，并将该节点的邻居节点的特征聚合到该节点，得到该节点新的向量表示；s3：将s3得到的向量表示和该节点的位置嵌入求后，对每个节点的历史状态进行学习，得到每个节点的表示；s4：将得到的每个节点的表示输入到多层感知器中，得到级联增量的预测结果。2.根据权利要求1所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，所述步骤s1中在观测时间内以相同的间隔时间进行采样。3.根据权利要求1所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，所述步骤s1中的编码具体为：将演变子图中的节点嵌入多维向量空间。4.根据权利要求3所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，所述节点嵌入的维度可以调整。5.根据权利要求1所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，建立融合自注意力机制和动态图的级联预测模型，所述融合自注意力机制和动态图的级联预测模型包括节点嵌入层、结构自注意力层、时序自注意力层和级联增量预测层，分别实现步骤s1、s2、s3和s4。6.根据权利要求5所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，所述结构自注意力层通过多层堆叠的自注意力机制实现，最后输出的是节点的空间结构特征的表示。7.根据权利要求5所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，所述时序自注意力层采用多个堆叠的时序自注意力模块，充分考虑级联图的动态演化过程，捕捉多个时间段的节点的时序变化。8.根据权利要求5所述的一种基于自注意力机制和动态图的信息级联预测方法，其特征在于，所述融合自注意力机制和动态图的级联预测模型的训练过程中，采用交叉熵作为损失函数对模型进行优化，并在迭代中损失连续10次不再减小时，结束训练。
技术总结
本发明公开了一种基于自注意力机制和动态图的信息级联预测方法，包括：S1：将每条消息转发记录对应一张级联图，并采样得到该级联图在观测时间内的演变子图；对采样得到的演变子图分别进行编码，得到节点的向量表示矩阵；S2：通过向量表示矩阵计算节点及其邻居节点的注意力权重，并将该节点的邻居节点的特征聚合到该节点，得到该节点新的向量表示；S3：向量表示和该节点的位置嵌入求后，对每个节点的历史状态进行学习，得到每个节点的表示；S4：将得到的每个节点的表示输入到多层感知器中，得到级联增量的预测结果。本发明避免了人工标记特征所造成级联图表示的困难问题，减少了信息的损失，提升了预测性能。提升了预测性能。提升了预测性能。
技术研发人员：李志 王瑞锦 张凤荔 张志扬 高强 李志刚 张文博 李志勇 伍琦
受保护的技术使用者：子亥科技（成都）有限公司
技术研发日：2021.09.02
技术公布日：2021/12/30