.png){kind=icon}
返回
Simultaneously Captures Node-Level and Sequence-Level Features in Parallel for Cascade Prediction
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15010159.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测社交网络中的信息传播是一个在许多应用中的基础问题，而其主要挑战之一是预测社交网络中信息的未来热度。然而，大多数现有模型未能同时捕捉信息传播过程中准确的微观层面用户节点特征、中观层面线性传播特征，以及预测宏观层面的热度，这可能导致预测性能不理想。为解决此问题，我们提出了一个新的级联预测框架CasNS：用于级联预测的节点级和序列级特征。CasNS通过采用自注意力机制利用节点级特征，以捕捉目标节点相对于其他节点的隐藏特征。此外，它借助多个一维卷积层与动态路由算法，获取不同维度上的序列级特征。通过在大量真实数据集上的实验，我们的模型展现出优于其他当前最优方法的表现，从而验证了我们所提方法的有效性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
Pattern dynamics analysis and application of West Nile virus spatiotemporal models based on higher-order network topology基于高阶网络拓扑的西尼罗病毒时空模型模式动力学分析与应用
PREAI
分享收藏
查看更多内容