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！

龙图腾网获悉杭州师范大学申请的专利融合图神经网络和双Bert模型的社交平台谣言转发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：CN118247070B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202410449730.3，技术领域涉及：G06Q50/00；该发明授权融合图神经网络和双Bert模型的社交平台谣言转发预测方法是由王李冬;周斌;张赟;安康;柯淑雅;胡克用设计研发完成，并于2024-04-15向国家知识产权局提交的专利申请。

本融合图神经网络和双Bert模型的社交平台谣言转发预测方法在说明书摘要公布了：本发明公开了一种融合图神经网络和双Bert模型的社交平台谣言转发预测方法。本发明通过融合谣言推文、用户历史转发推文的文本信息、用户拓扑结构、属性信息以及历史转发行为等多种关键因素，对用户的转发行为进行预测。本发明既能考虑到内容信息给转发行为带来的影响，同时结合了用户的拓扑、属性和历史转发行为对谣言推文的转发意图的影响。本发明设计双Bert模型提取谣言推文和用户历史推文的信息。考虑到谣言转发过程中，用户的行为容易受到周围用户的影响，本发明设计GAT模型分别对多种特征进行聚合并拼接，可以更细粒度地提取邻居用户对转发行为的影响。在给定特定谣言推文的条件下，本发明可以实现对社交网络的特定用户判定是否会转发该谣言推文。

本发明授权融合图神经网络和双Bert模型的社交平台谣言转发预测方法在权利要求书中公布了：1.融合图神经网络和双Bert模型的社交平台谣言转发预测方法，其特征在于包括如下步骤：步骤1、给定社交网络G＝V，E，V代表用户节点的集合，E代表用户之间边的集合；搜集用户的每条历史转发推文，构成集合T＝{T1，T2，...，TN}，N代表用户数，Ti代表用户vi的历史转发推文集合；代表待转发谣言推文，vj代表发布该谣言推文的用户，vi，vj∈V；步骤2、针对待转发谣言推文通过Bert+Meanpooling模型提取待转发谣言推文的文本嵌入特征xq；针对用户vi的历史转发推文集合Ti＝{ti1，ti2，...，tiM}，同样通过Bert+Weightedpooling模型提取出文本嵌入特征xi；将xq，xi以及|xq-xi|进行拼接并线性映射得到映射向量X[i]；步骤3、提取用户vi的属性特征Hc[i]、历史行为特征Hr[i]和拓扑结构特征Hs[i]；步骤4、设计GAT层分别对用户vi的属性特征Hc[i]、历史行为特征Hr[i]和拓扑结构特征Hs[i]进行聚合，对聚合后的各信息进行拼接得到拼接向量Ψ[i]；步骤5、将拼接向量ψ[i]与映射向量X[i]再次进行拼接，并输入带Softmax激活函数的全连接层，输出用户vi转发谣言推文的概率步骤6、设定交叉熵损失函数利用Adam优化方法对模型进行训练；学习结束后利用模型的参数对需要预测的用户进行预测，并判断该用户是否会转发待预测微博；所述步骤3的具体实现过程如下：3-1.提取用户vi的属性特征，包含性别、年龄、地理位置和个人描述；使用独热编码表示性别、年龄和地理位置信息，通过Word2Vec模型将个人描述转换为向量表示；对上述属性特征进行拼接得到用户属性向量C[i]，并通过下式将C[i]线性映射得到属性特征Hc[i]：Hc[i]＝WcC[i]4其中，Wc表示训练参数；3-2.提取用户vi和用户vj之间的历史转发行为向量Hr[i→j]和Hr[i←j]，用户vj代表发布谣言推文的用户；定义l个时间间隔，记录每个时间间隔内用户vi转发用户vj的转发次数，将其归一化后记录为向量Hr[i→j]；同样记录每个时间间隔内用户vj转发用户vi的转发次数，将其归一化后记录为向量Hr[i←j]；将Hr[i→j]和Hr[i←j]进行拼接得到历史行为特征Hr[i]；3-3.利用SDNE获得用户vi的拓扑结构特征Hs[i]；将SDNE的损失函数定义如下：Lossmix＝αLoss1+Loss2+γLossreg5其中，Loss1代表一阶相似度，Loss2为二阶相似度，Lossreg代表正则项，α和γ分别表示一阶相似度和正则项的系数；所述步骤4的具体实现过程包括：4-1.在图注意力神经网络中，针对相邻用户对vi，vj计算在属性特征上的聚合系数 上式中，Nvi代表用户vi的邻居节点，||表示拼接操作，代表权重参数的转置，Wc代表训练参数；Hc[j]表示用于j的属性特征；所述步骤4的具体实现过程包括：4-2.针对相邻用户对vi，vj计算在历史行为特征上的聚合系数 上式中，Nvi代表用户vi的邻居节点，||表示拼接操作，代表权重参数的转置，Wr代表训练参数；所述步骤4的具体实现过程包括：4-3.针对相邻用户对vi，vj计算在拓扑结构特征上的聚合系数 上式中，Nvi代表用户vi的邻居节点，||表示拼接操作，代表权重参数的转置，Ws代表训练参数；所述步骤4的具体实现过程包括：4-4.根据聚合系数和计算属性特征、历史行为特征和拓扑结构特征的聚合值： 所述步骤4的具体实现过程包括：4-5.将各个特征的聚合值以及用户的原始特征值进行拼接，得到用户vi的最终聚合特征Ψ[i]：Ψ[i]＝Tc[i]||Ts[i]||Tr[i]||Hc[i]||Hs[i]||Hr[i]15。

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杭州师范大学，其通讯地址为：311121 浙江省杭州市余杭区余杭塘路2318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”。