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！

龙图腾网获悉云南大学申请的专利基于图神经网络的事件传播流行度预测方法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：CN115270782B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202210973649.6，技术领域涉及：G06F40/279；该发明授权基于图神经网络的事件传播流行度预测方法是由何婧;周君;陈琳;李剑峰;周维设计研发完成，并于2022-08-15向国家知识产权局提交的专利申请。

本基于图神经网络的事件传播流行度预测方法在说明书摘要公布了：本发明公开了一种基于图神经网络的事件传播流行度预测方法，对于事件传播数据样本中的每个事件文本，确定社交网络中每个用户在该事件文本传播中的特征向量，并确定该事件文本对应的时序特征级联图，采用双重图神经网络根据用户特征向量和时序特征级联图得到该事件文本的时序用户特征序列，构建包括时间卷积神经网络和求和池化模块的事件传播流行度预测模型，采用事件传播数据样本中事件文本的时序用户特征序列和流行度值对事件传播流行度预测模型进行训练，对社交网络中正在传播的事件，采用事件传播流行度预测模型预测得到其流行度值。本发明结合图神经网络和时间卷积神经网络，提高事件传播流行度预测的性能。

本发明授权基于图神经网络的事件传播流行度预测方法在权利要求书中公布了：1.一种基于图神经网络的事件传播流行度预测方法，其特征在于，包括以下步骤： S1：获取社交网络中所包含的用户，记用户数量为N，根据用户的相互关注情况确定社交网络的网络拓扑结构，然后获取每个用户的用户信息，从用户信息中提取出预设的用户属性特征，构成用户属性特征向量xn,1，n＝1,2,…,N； S2：从社交网络中提取若干事件传播数据样本，每条事件传播数据样本包括该事件在预设传播时长T内传播的事件文本和参与传播的用户； 对于每个事件文本，采用如下方法确定社交网络中每个用户在该事件文本传播中的特征向量： 对每个事件文本提取出文本特征向量，如果用户参与了该事件文本的传播，则将该事件文本的文本特征作为该用户的文本特征向量xn,2，如果用户未参与该事件文本的传播，则将其文本特征向量xn,2设为默认值，将用户的属性特征向量和文本特征向量拼接得到用户特征向量Xn＝[xn,1,xn,2]； 对于每个事件文本，采用如下方法确定该事件文本对应的时序特征级联图： 将事件的传播时长T划分为S个时间段ts，s＝1,2,…,S，S的取值根据实际需要设置；对于每个事件文本，生成在每个时间间隔内的特征级联图，具体方法如下： 记事件传播数据中传播的事件文本数量为M，获取在时间段ts内参与传播的第m个事件文本的用户集合Vsm，m＝1,2,…,M，以用户集合中的用户作为特征级联图的节点，对应的邻接矩阵中元素采用如下公式确定： 其中，表示用户集合Vsm中用户i到用户j是否存在有向边，i→j表示用户j转发了用户i所发布的第m个事件文本，i＝j表示用户i的自连接； 对于每个事件传播数据，根据预设的流行度评价方法确定该事件中每个事件文本在每个时间段ts内的流行度值S3：构建状态传播图神经网络和影响传播图神经网络，每个图神经网络均包含整个社交网络中的所有用户，两个图神经网络的层数均为K；在状态传播图神经网络的第k层时，每个用户v从其邻居集合Nv中所有用户接收的预期状态影响的聚合采用如下公式表示： 其中，k＝1,2,…,K，表示用户v在第k层时从其邻居集合Nv中所有用户接收的预期激活影响，表示用户v的邻居用户u在第k层时的激活状态，pv表示预设的用户v的自激活参数，和分别表示用户v和用户u在第k层时的状态表示向量，StateGNN表示预设的状态选通函数； 在影响传播图神经网络的第k层时，每个用户v从其邻居集合Nv中所有用户接收的预期扩散影响的聚合采用如下公式表示： 其中，auv表示用户u到用户v的注意力权重，σ表示预设的激活函数，和分别表示用户u和用户v在第k层时的影响表示向量，Wk表示预设第k层的权重向量； 经过K层传播，将用户v在第K层时从其邻居集合Nv中所有用户接收的预期激活影响和预期扩散影响进行融合得到用户最终的特征表示向量hv，融合计算公式如下： 其中，W表示预设的权重，σ′表示预设的激活函数； S4：对于每个事件文本，将其对应的用户特征向量作为双重图神经网络中各个用户的初始特征表示向量，然后根据各个事件文本在每个时间段ts内的特征级联图通过双重图神经网络得到社交网络中每个用户的特征表示向量，构建得到整个社交网络的用户特征表示矩阵Fsm，将每个事件文本在S个时间段的用户特征表示矩阵Fsm构成得到该事件文本的时序用户特征序列； S5：基于时间卷积神经网络构建事件传播流行度预测模型，包括时间卷积神经网络和求和池化模块，其中时间卷积神经网络用于对事件文本的时序用户特征序列提取时序特征，求和池化模块对时序特征进行求和池化操作得到该事件文本的流行度值； 将步骤S4得到的每个事件文本的时序用户特征序列作为事件传播流行度预测模型的输入，其流行度值作为期望输出，对事件传播流行度预测模型进行训练； S6：当需要对社交网络当前正在传播的某个事件进行传播流行度预测时，首先采集在预设传播时长T内传播的事件文本和参与传播的用户，对于每个事件文本采用步骤S2中的相同方法得到社交网络中每个用户在该事件文本传播中的特征向量和该事件文本对应的时序特征级联图，采用步骤S4中的方法得到每个事件文本的时序用户特征序列，将时序用户特征序列输入训练好的事件传播流行度预测模型，得到该事件文本的预测流行度值；最后将该事件所有事件文本的流行度值求和即可得到该事件的流行度值。

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云南大学，其通讯地址为：650091 云南省昆明市翠湖北路2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。