本发明涉及信息，尤其涉及一种用于事件传播预测的弱社交网络上的对比学习方法。
背景技术：
1、现实世界的社交网络构成了错综复杂的系统，由于隐私保护和安全设置等因素的影响，可观测的社交网络数据普遍存在严重的弱信息问题。具体表现为网络结构不完整、任务标签稀疏以及用户特征缺失等方面的不足。这些限制严重影响了对用户行为和关系的准确理解，进而给事件传播分析和预测带来了巨大挑战。因此，研究社交网络的弱信息问题对于有效应对这些挑战具有重要的现实意义。
2、针对弱信息问题的特征，可以采用一系列方法来改善模型训练的效果。例如，可以设计对比学习等自监督任务，并结合数据增强技术，实现对社交网络数据的完善和扩充，增强模型对噪声和不完整数据的鲁棒性。此外，可以融合来自不同来源的社交网络数据，例如用户行为数据和用户资料等，这将有助于丰富用户特征信息。通过这些方法改善数据质量和丰富数据特征，能够更准确地理解和表达用户行为，提高数据的可用性和可信度，从而提升事件传播的预测性能。此外，解决弱信息问题还有助于加强数据隐私保护，促进社交网络研究和应用的可持续发展。
技术实现思路
1、本发明目的就是为了弥补已有技术的缺陷，提供一种用于事件传播预测的弱社交网络多层次对比学习方法，本发明可以有效应对弱社交网络数据中存在的结构不完整、标签稀疏和用户特征缺失等问题，通过学习高质量的用户表示，有助于实现更准确有效的事件传播预测。
2、本发明是通过以下技术方案实现的：
3、一种用于事件传播预测的弱社交网络多层次对比学习方法，所述方法包括：
4、101：基于用户关注与被关注关系和历史交互行为对社交网络g实现自适应地结构增强；
5、102：设计多层次对比学习任务缓解标签稀疏和特征缺失的问题；
6、103：基于归纳式的图编码器学习用户嵌入表示，并联合训练多个自监督任务；
7、104：基于用户嵌入矩阵hu对事件传播过程中的用户影响模式进行建模，以实现事件传播预测。
8、其中，步骤101所述的增强社交网络g＝(v,e)，其中v和e分别表示g中用户节点和用户之间关联的集合。具体来说，将用户视为网络中的节点，用户之间的相互影响、关联或传播视为网络中的边，对社交网络的结构增强如下所述：
9、(1)由于隐私与信息安全等问题，可观测的社交网络数据总是不完整的，而用户之间的历史交互行为能够反映隐式的关联。通过整合用户之间的关注关系、被关注关系以及交互偏好关系，可以自适应地增强社交网络的结构：
10、
11、其中ar表示用户之间特定关系的邻接矩阵(即关注关系、被关注关系以及交互偏好关系的其中一种)，βr是对应关系的可学习权重。r表示用户的关系集合，|r|表示用户关系的种类数目，r表示其中的一种特定关系。
12、(2)为了对βr施加有效的约束，基于用户之间的历史交互频率t能够反映用户关系的假设，使用kl散度作为社交网络结构增强的自监督任务：
13、
14、其中n是社交网络中的用户数目；是用户ui与其他用户的历史交互频率，表示用户ui与其他用户的邻接关系；kl(·)表示计算kl散度。
15、其中，步骤102所述的针对事件传播预测分析任务的标签稀疏以及用户特征缺失问题，设计多层次对比学习：
16、(1)为了应对弱社交网络数据存在的用户标签稀疏问题，使用增强的社交网络与原始社交网络作为不同的视图，设计用户层次的对比学习任务如下：
17、
18、其中n是社交网络上的所有用户数目；f(a,b)＝ecos(a,b)/τ，τ是温度系数；hi是增强社交网络中的用户嵌入表示，是原始社交网络上的用户嵌入表示。是其他的用户j在原始社交网络上的嵌入表示，j≠i；
19、(2)为了应对弱社交网络数据存在的任务标签稀疏问题，根据用户之间的历史交互频率，为每个用户划分相似偏好用户集合ksame(i)和不同偏好用户集合kdiff(i),并进一步设计偏好层次的对比学习任务如下：
20、pi＝mean{hj:uj∈ksame(i)},
21、
22、其中mean(·)是平均聚合函数；hi是增强社交网络中的用户嵌入表示，是原始社交网络上的用户嵌入表示；n是社交网络上的所有用户数目；f(a,b)＝ecos(a,b)/τ，τ是温度系数。pi、分别指用户i基于原始社交网络和增强社交网络而得到的传播偏好。
23、其中，步骤103所述的利用归纳式图编码器并通过多任务联合训练，获得增强用户表示hu：
24、(1)为了适应节点级的训练任务，使用基于graphsage的归纳式图编码器，以获得用户的表示：
25、
26、其中是用户vi的邻居集合；是用户vi在第t层图编码器的表示。最终将最后一层的用户表示hu用于下游的事件传播预测任务。是邻居的聚合表示；aggregate()是邻居聚合器，vi表示用户i，vj表示用户j，update()是用户嵌入的更新函数。
27、(2)针对弱社交网络数据存在的结构不完整、标签稀疏和用户特征缺失等问题，联合多层次的自监督学习任务对图编码器进行训练：
28、
29、其中θ1是图学习阶段的全部可学习参数。
30、其中，步骤104所述的在用户嵌入表示的基础上，利用多头自注意力机制(mha)学习事件传播参与者的交互，进而实现信息传播预测：
31、(1)利用多头自注意力机制(mha)学习事件传播参与者的交互，以实现事件传播的预测与分析：
32、qi＝hkwiq,
33、
34、其中hk是参与者的表示；是可学习的权重矩阵；掩蔽矩阵将上三角设置为-∞避免信息泄露。多头注意力机制和前馈神经网络(ffn)在这里被应用，最终得到事件传播嵌入表示h。qi表示第i个注意力头的查询值；ki表示第i个注意力头的键值；vi表示第i个注意力头的数值；d表示嵌入表示的维度。
35、(2)基于事件传播嵌入表示h，对事件传播参与者之间的交互进行建模，能够实现事件传播的未来参与者预测：
36、
37、其中wp是映射矩阵，能够将事件传播嵌入表示h映射到用户特征空间。最终得到的事件未来参与者的概率分布上一步得到了事件传播嵌入表示h。
38、(3)为了对模型进行训练，使用有监督的交叉熵损失对模型的所有参数进行优化，交叉熵损失函数表示如下：
39、
40、其中θ2定义事件传播预测模型的全部可学习参数；如果用户ui在第j步参与事件传播，那么yi,j＝1，否则yi,j＝0，ck表示一个特定事件的所有参与者的集合，v表示社交网络的所有用户，表示对于事件i的第j个参与者的预测结果，
41、yi,j表示事件i的第j个参与者的真实值，如果用户ui是第j个参与事件传播，那么yi,j＝1，否则yi,j＝0。
42、本发明的优点是：1、本发明提出基于用户社交关联和历史交互行为对不完整的社交网络结构进行增强，并且设计自监督的学习任务实现有效的自适应增强，解决了弱社交网络中的结构不完整问题；
43、2、本发明提出面向事件传播分析的用户层次和偏好层次的对比学习方法，在任务标签稀疏和用户特征缺失的情况下，仍然能够有效学习用户的嵌入表示，有效缓解了弱信息问题对图学习的限制；
44、3、本发明提出对归纳式图编码器的自监督任务联合训练，通过融合用户社交关联和历史交互行为对社交网络结构进行增强，有效改善数据质量和丰富数据特征；在此基础上，设计对比学习任务，在无需人工标签和用户特征的情况下，实现更加鲁棒的图学习并获得高质量的用户嵌入表示，能够有效提升事件传播预测分析的性能。
1.一种用于事件传播预测的弱社交网络上的对比学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于事件传播预测的弱社交网络上的对比学习方法，其特征在于，所述增强社交网络g＝(v,e)是将用户视为网络中的节点，用户之间的相互影响、关联或传播视为网络中的边，社交网络的结构增强具体如下：
3.根据权利要求2所述的一种用于事件传播预测的弱社交网络上的对比学习方法，其特征在于，步骤102所述的针对事件传播预测分析任务的标签稀疏以及用户特征缺失问题，设计多层次对比学习，具体如下：
4.根据权利要求3所述的一种用于事件传播预测的弱社交网络上的对比学习方法，其特征在于，步骤103所述的利用归纳式图编码器并通过多任务联合训练，获得增强用户表示hu，具体如下：
5.根据权利要求4所述的一种用于事件传播预测的弱社交网络上的对比学习方法，其特征在于，步骤104所述的在用户嵌入表示的基础上，利用多头自注意力机制mha学习事件传播参与者的交互，以实现事件传播的预测与分析，具体如下：
