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）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115858899B(45)授权公告日2025.07.11

(21)申请号202211605375.1

(22)申请日2022.12.14

(65)同一申请的已公布的文献号申请公布号CN115858899A

(43)申请公布日2023.03.28

(73)专利权人中国人民解放军国防科技大学地址410073湖南省长沙市开福区德雅路

109号

(72)发明人周斌田磊高立群赵学臣

韩跃谢锋张中李爱平江荣王晔涂宏魁

(74)专利代理机构苏州国诚专利代理有限公司

32293

专利代理师陈松

(51)Int.CI.

GO6F16/951(2019.01)

GO6F16/9535(2019.01)

GO6F16/9538(2019.01)

GO6F16/9536(2019.01)

GO6N3/049(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN114090902A,2022.02.25CN113806534A,2021.12.17

审查员朱琦

权利要求书6页说明书17页附图3页

(54)发明名称

一种基于多标签影响的网络事件标签流行度预测方法

(57)摘要

CN115858899B本发明提供一种基于多标签影响的网络事件标签流行度预测方法，采集事件相关的事件标签传播数据与相关用户数据；构造标签传播关系网络，获取节点关系和节点属性，建立包含：特征聚合组件，包括静态语义特征聚合和动态群体传播特征聚合过程；局部聚合组件，由图胶囊网络组成，学习标签局部聚集的特征表示；动态时序表示组件，学习标签传播演化的时序过程；三个组件模拟标签之间传播影响过程的传播流行度预测模型，训练模型；将需要预测的事件标签和标签相关的传播影响网络数据输入训练好的模型，输出关注的社交网络事件标签在未来可能产

CN115858899B

在真实世界的社交网络事件传播，爬取社交网

在真实世界的社交网络事件传播，爬取社交网络事件相关的标签和文本凸

对爬取的数据进行清洗和整理：并对关系特征进行预处理

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图、全局标签关系图G和局部影响属性图G:以及计算节点的传播特征属性，

首先根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的局部传播影响特征图G,包括提取静态语义特征图GP以及

动态群体传播时序图序列Gm

基于图胶囊网络的局部特征聚合层，其中基于图注意力网络的传播关系特征嵌

入层又包括静态语义特征聚合表示和动态传播特征聚合表示：将所述针对静态

语义关系属性图，将G°四作为输入到上述静态语义特征聚合表示层中，得到静

态语义节点向量表示矩阵Hem,针对动态传播时序属性图序列，对每一个时间

窗口下的传播属性图G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个窗口内组成的动态传播矩阵Haym!将静态语义节点向量表示矩阵Hm

和动态传播矩阵H作为输入到特征融合层，得到融合标签节点的语义特征和

传播特征融合的融合特征H;将传播属性图G作为输入基于图胶囊网络的局部

特征聚合层得到图嵌入向量h?

样本中不同时序子图的表示向量h,输入到LSTM模型进行动态时序表示学习，然后将其结果过输入到全连接层得到预测结果，将预测结果与获取的样本真实值标签的误差来指导模型学习

步骤SI

步骤S2

步骤S4

一步骤S3

步骤S5

CN115858899B权利要求书1/6页

2

1.一种基于多标签影响的网络事件标签流行度预测方法，其特征在于，包括以下步骤：

S1.在真实世界的社交网络事件传播，爬取社交网络事件相关的标签和文本；

S2.对爬取的数据进行清洗和整理；并对关系特征进行预处理；

具体包括：

S201.数据清洗，数据清洗后的csv文件中记录推文的发表情况，数据字段包括发表该推文的用户id、推文内容、表发时间、推文交互的用户id;每一条记录表示一条与事件相关的推文发布；

S202.关系特征预处理，针对不同据集中推文特点，预处理过程额外抽取了表示概括性事件标题，并对一条推文中存在多个标签的推文建立标签关系；

S3.针对网