買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜電子科技大學(xué)申請(qǐng)的專利信息傳播主題感知的影響用戶預(yù)測(cè)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116383514B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-01發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202211356549.5，技術(shù)領(lǐng)域涉及：G06F16/9536；該發(fā)明授權(quán)信息傳播主題感知的影響用戶預(yù)測(cè)方法是由汪冉冉;張引;萬文超;姜鈺婕;沈倩設(shè)計(jì)研發(fā)完成，并于2022-11-01向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本信息傳播主題感知的影響用戶預(yù)測(cè)方法在說明書摘要公布了：本發(fā)明公開一種事件主題感知的信息傳播預(yù)測(cè)方法，為解決信息傳播模型中的主題感知以及信息傳播載體網(wǎng)絡(luò)異質(zhì)以及目前信息傳播預(yù)測(cè)方法實(shí)用性差等問題，本發(fā)明首先設(shè)計(jì)了一種基于神經(jīng)網(wǎng)絡(luò)的LDA改進(jìn)模型實(shí)現(xiàn)主題不混淆且考慮文本語義上下文的主題提取模型，從而實(shí)現(xiàn)傳播信息的主題感知。另外為了從復(fù)雜的異質(zhì)網(wǎng)絡(luò)中高效定位所有可能受影響的用戶，本發(fā)明利用主題在網(wǎng)絡(luò)中通過定位對(duì)當(dāng)前主題感興趣的用戶所構(gòu)成的子圖，并在子圖中通過構(gòu)建統(tǒng)一的特征空間、異質(zhì)的節(jié)點(diǎn)關(guān)系來模擬信息傳播過程，從而盡可能的模擬真實(shí)場(chǎng)景的信息傳播過程進(jìn)而在模型效率和準(zhǔn)確度等方面提高模型的實(shí)用性。

本發(fā)明授權(quán)信息傳播主題感知的影響用戶預(yù)測(cè)方法在權(quán)利要求書中公布了：1.事件主題感知的信息傳播預(yù)測(cè)方法，其特征在于，包括：S1、訓(xùn)練事件主題提取模型：1構(gòu)建事件主題提取模型為改進(jìn)的主題模型LDA，利用新聞的主題困惑度、新聞中兩個(gè)相鄰詞單詞的共現(xiàn)概率帶來的損失以及主題間的互信息來構(gòu)建模型優(yōu)化目標(biāo)；2初始化訓(xùn)練事件主題提取模型的超參數(shù)、主題的詞分布TW以及當(dāng)前新聞文本newsi的文本-主題分布；3事件主題提取模型利用輸入每個(gè)訓(xùn)練的新聞文本newsi獲取主題分布估計(jì)DT以及主題的詞分布TW，重復(fù)執(zhí)行本步驟直至優(yōu)化目標(biāo)Ji基本收斂時(shí)停止事件主題提取模型訓(xùn)練；4訓(xùn)練好的事件主題提取模型接收輸入的新聞文本，輸出該新聞文本的主題分布估計(jì)DT和主題的詞分布TW；主題事件傳播預(yù)測(cè)模型的訓(xùn)練通過步驟S2-S5完成：S2、基于事件主題構(gòu)建異質(zhì)信息傳播圖：1構(gòu)建事件主題異質(zhì)圖，事件主題異質(zhì)圖包含三類節(jié)點(diǎn)：用戶節(jié)點(diǎn)集合U,新聞節(jié)點(diǎn)R,主題節(jié)點(diǎn)T；包含兩種類型的邊：用戶和新聞節(jié)點(diǎn)之間的邊，邊的權(quán)值為用戶與該新聞的交互次數(shù)，新聞與主題節(jié)點(diǎn)之間的邊，該類邊的權(quán)值為DT中對(duì)應(yīng)主題位置的值；2對(duì)于新聞文本newsi，其文本主題分布為θi，選擇θi中最大的前設(shè)定數(shù)量的主題形成主題集合T*；3在G中以T*中的主題為種子節(jié)點(diǎn)采樣種子節(jié)點(diǎn)的所有鄰居新聞節(jié)點(diǎn)作為集合R*以及和這些新聞相關(guān)的用戶節(jié)點(diǎn)作為集合U*，利用集合T*、集合R*和集合U*構(gòu)成當(dāng)前主題的子圖G*，G*對(duì)應(yīng)的鄰接矩陣作為圖卷積神經(jīng)網(wǎng)絡(luò)GCN的一個(gè)輸入；S3、獲取子圖G*中的各類節(jié)點(diǎn)在同一隱空間上的表示作為節(jié)點(diǎn)特征，并輸出至GCN的另一個(gè)輸入端；S4、GCN接收子圖G*和節(jié)點(diǎn)特征，輸出目標(biāo)新聞和候選用戶的高階表示hTarget和H*；S5、以求內(nèi)積的方式計(jì)算目標(biāo)新聞和候選用戶的高階表示之間的相似程度，并以此為依據(jù)對(duì)候選用戶進(jìn)行排序，選中分?jǐn)?shù)最高的預(yù)設(shè)數(shù)量個(gè)用戶作為預(yù)測(cè)結(jié)果。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人電子科技大學(xué)，其通訊地址為：611731 四川省成都市高新區(qū)(西區(qū))西源大道2006號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。