基于时空Transformer的社交网络信息传播预测

随着社会网络的日益普及和广泛应用，信息传播预测逐渐成为社会网络分析领域的研究热点。以往的大多数研究要么只使用信息传播序列，要么只使用用户之间的社交网络进行预测，这很难有效地建模信息传播过程的复杂性，由于信息传播预测中常用的递归神经网络（RNN）及其变种难以有效捕获信息之间的相关性，本文提出了一种基于时空Transformer、STT的新的社会网络信息传播预测模型。该模型首先构造了一个由社交网络图和动态传播图组成的异构图，并利用图卷积网络（GCN）学习用户的结构特征。然后将用户的时间和结构特征放入Transformer进行融合，得到时间和空间特征。为了有效地融合用户的时间和结构特征，提出了一种新的残差融合方法来代替Transformer-中原的残差连接。最后，Transformer被用来预测信息传播。在真实数据集上的大量实验验证了STT模型的有效性