买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉首都师范大学申请的专利基于子图的信息级联预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120105057B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510170021.6，技术领域涉及：G06F18/213；该发明授权基于子图的信息级联预测方法及系统是由王洁;刘淳;李金泽;彭岩;李晓设计研发完成，并于2025-02-17向国家知识产权局提交的专利申请。

本基于子图的信息级联预测方法及系统在说明书摘要公布了：本发明提出一种基于子图的信息级联预测方法及系统，属于社交网络分析和神经网络技术领域，包括：S1：构建深度学习信息级联预测模型CasSubTS，将采集到的用户发布信息经过输入层，构建信息级联图G；S2：将G输入子图采样层，根据不同时间步长，将其划分为若干个信息级联子图，并转换为邻接矩阵，将邻接矩阵进行节点特征聚合，得到特征表示矩阵B；S3：将B输入特征学习层，得到具备结构特征和时序特征的特性向量；S4：将输入特征加权层，利用通道注意力机制对进行加权融合，得到加权后的特征向量；S5：将输入预测层，以预测最终的宏观级联增量。本发明方法对社交网络中的信息级联进行有效预测。

本发明授权基于子图的信息级联预测方法及系统在权利要求书中公布了：1.一种基于子图的信息级联预测方法，其特征在于，包括： 步骤S1：构建深度学习信息级联预测模型CasSubTS，包括：输入层、子图采样层、特征学习层、特征加权层以及预测层；将采集到的用户发布信息经过所述输入层，构建信息级联图G，具体包括： 步骤S11：用户u在t0时刻发布了一条初始信息m，在观测时间内，共有n个其他用户v对这条信息进行交互，则信息级联Ck的形式化定义为； ； 步骤S12：将信息级联Ck对应的Ck信息级联图G的定义为： ； 其中，表示信息级联图中的节点，即参与信息扩散的用户；表示信息级联图中的边，即用户之间的交互关系； 步骤S2：将所述信息级联图G输入所述子图采样层，通过设定不同大小的时间步长，将其划分为若干个信息级联子图，并转换为邻接矩阵，将所述邻接矩阵进行节点特征聚合，得到特征表示矩阵B； 步骤S3：将所述特征表示矩阵B输入所述特征学习层，同时学习结构特征和时序特征，得到具备结构特征和时序特征的特性向量，具体包括： 步骤S31：用线性变换矩阵对所述特征表示矩阵的节点特征进行线性变换，将原始节点特征映射至不同表示空间，得到每个注意力头的查询向量、键向量和值向量： ； ； ； 其中，X为节点特征向量，H为线性变换矩阵； 步骤S32：为了评估节点vi与其邻居节点vj之间的相关性和重要程度，对于每个注意力头k，使用注意力机制计算节点vi与其邻居节点vj的注意力分数eij： ； 其中，为线性函数，是注意力头k的参数向量； 步骤S33：计算节点vi与其邻居节点vj的注意力权重： ； 其中，是节点vi的邻居节点集合，表示任意邻居节点与vi的相关系数； 步骤S34：利用注意力权重对每个节点的邻居节点特征进行加权聚合，动态地调整每个节点的聚合表示，计算过程如下： ； 步骤S35：使用k个注意力头独立地学习每个节点的特征表示，并对学习到的k组节点表示求和后取均值，得到结构特征： ； 步骤S36：基于所述结构特征，学习其时序特征，计算节点注意力机制： ； ； 其中，为投影参数，分别为结构特征和时序特征的维度；为全连接层学习到的节点权重； 步骤S37：使用Bi-GRU模型，分别通过其中的正向门控单元和逆向门控单元进行串联计算，得到最终隐含时序信息的隐藏输出，公式表示为： ； ； ； 其中，GRU为非线性变换函数，为当前输入，表示t-1时刻的正向隐藏状态输出向量，表示t-1时刻的逆向隐藏状态输出向量； 步骤S4：将输入所述特征加权层，利用通道注意力机制对进行加权融合，得到加权后的特征向量； 步骤S5：将输入所述预测层，以预测最终的宏观级联增量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人首都师范大学，其通讯地址为：100048 北京市海淀区西三环北路105号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。