关键词:
事件预测
图注意力网络
特征增强
时间序列
多头注意力机制
摘要:
图神经网络在处理事件图的节点特征时会出现过平滑性的问题,导致较难获取全面的事件特征;同时,由于事件发展是动态的,网络在处理过程中会忽略短时间切片之间的数据变化,难以捕捉事件的全局时间特征.针对以上问题,提出基于动态增强图注意力网络的突发事件预测模型(Dynamic Enhanced Graph Attention Network,DEGAT),通过构建使用高斯扰动增强的图注意力网络(Enhanced Graph Attention Network,EGAT)来获取历史事件图全面的事件特征.将初始事件向量和EGAT输出的事件向量分别输入线性层进行融合,得到时间特征,再将多个不同历史时间特征序列输入多头注意力机制与LSTM相结合的时间编码层,获得全局时间特征.最后,将全局时间特征输入EGAT,经过非线性变换后输出预测结果.在四个社会突发事件数据集上的实验结果表明,提出的模型与DynamicGCN的方法相比,准确率和精确率分别提高了3.88%和4.12%.