本文主要研究内容
作者江海洋,王莉（2019）在《一种建模社交化点过程序列预测算法》一文中研究指出：根据序列数据预测下次事件类型和时间是一个值得研究的课题.目前点过程强度函数算法仅从时间维度考虑背景知识和历史影响两个方面,没有从空间维度加入社交关系的影响.针对该问题,提出基于时空深度网络的社交化点过程的序列预测算法(SPSP算法).该模型首先运用双LSTM(long short-term memory)分别建模强度函数的背景知识和历史影响;然后经过联合层将双LSTM输出合并,生成事件类型和时间向量表征;最后在空间维度上加入社交关系网络影响,优化强度函数.通过深度时空社交网络的多次训练,得到最优网络模型.在新浪微博数据集上的实验验证算法的有效性,证明社交化点过程序列预测算法可高效准确预测出事件类型与时间.
Abstract
gen ju xu lie shu ju yu ce xia ci shi jian lei xing he shi jian shi yi ge zhi de yan jiu de ke ti .mu qian dian guo cheng jiang du han shu suan fa jin cong shi jian wei du kao lv bei jing zhi shi he li shi ying xiang liang ge fang mian ,mei you cong kong jian wei du jia ru she jiao guan ji de ying xiang .zhen dui gai wen ti ,di chu ji yu shi kong shen du wang lao de she jiao hua dian guo cheng de xu lie yu ce suan fa (SPSPsuan fa ).gai mo xing shou xian yun yong shuang LSTM(long short-term memory)fen bie jian mo jiang du han shu de bei jing zhi shi he li shi ying xiang ;ran hou jing guo lian ge ceng jiang shuang LSTMshu chu ge bing ,sheng cheng shi jian lei xing he shi jian xiang liang biao zheng ;zui hou zai kong jian wei du shang jia ru she jiao guan ji wang lao ying xiang ,you hua jiang du han shu .tong guo shen du shi kong she jiao wang lao de duo ci xun lian ,de dao zui you wang lao mo xing .zai xin lang wei bo shu ju ji shang de shi yan yan zheng suan fa de you xiao xing ,zheng ming she jiao hua dian guo cheng xu lie yu ce suan fa ke gao xiao zhun que yu ce chu shi jian lei xing yu shi jian .
论文参考文献
论文详细介绍
论文作者分别是来自中国科学技术大学学报的江海洋,王莉，发表于刊物中国科学技术大学学报2019年02期论文，是一篇关于序列预测论文,社交网络论文,点过程论文,时空深度网络论文,中国科学技术大学学报2019年02期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国科学技术大学学报2019年02期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：序列预测论文; 社交网络论文; 点过程论文; 时空深度网络论文; 中国科学技术大学学报2019年02期论文;