基于主题吸引力和动态时间感知的派生主题传播预测模型

《Expert Systems with Applications》：Derivation Topic Propagation Prediction Model Based on Topic Attractiveness and Dynamic Temporal Perception

基于派生主题共现网络与动态时间感知的传播预测模型研究，提出通过Node2vec算法优化主题嵌入表征，构建多维度主题吸引力量化框架，并融合时间敏感注意力机制改进图注意力网络，有效预测社交媒体中派生主题的传播趋势。

　　

王荣|毛润宇|席文怡|李倩|李屯|肖云鹏

重庆邮电大学计算机科学与技术学院（模型软件学院），中国重庆，400065

摘要

一个有吸引力的话题通常具有更高的传播潜力。考虑到话题传播过程中的综合影响因素和时效性，本文提出了一种基于话题吸引力和动态时间感知的派生话题传播预测模型。首先，为了研究派生话题之间的复杂关系，构建了一个派生话题共现网络。利用从话题标签共现数据中得到的标准化共现强度作为边权重，来表征话题关联的强度。同时，采用Node2vec算法优化话题节点的低维空间嵌入，从而更深入地理解派生话题之间的关联模式。其次，强调了话题吸引力在促进传播中的作用，并引入多维度视角，通过联合衡量影响力和时效性来量化吸引力。最后，考虑了话题关系的动态性和近期共现的时效性，将时间敏感的注意力机制整合到图注意力网络（Graph Attention Network）中，以处理派生话题的共现网络。基于这种整合，构建了动态时间感知图注意力网络（Dynamic Time-Aware Graph Attention Network）模型，有效预测这些派生话题的传播趋势。实验结果表明，所提出的模型不仅能够有效捕捉派生话题之间的复杂关联并量化话题吸引力，而且在预测派生话题的传播趋势方面也取得了显著改进。

引言

在社交媒体环境中，一个宏观话题往往随着讨论的深入而演变为多个语义相关的子话题。这些子话题源自初始话题，并在语义上保持联系，尽管它们在传播内容和焦点上有所不同。这样的子话题被称为派生话题。与单一孤立的话题不同，派生话题通常会同时出现，并可能相互影响甚至竞争。在用户注意力有限的约束下，它们共同塑造了整体信息传播格局，使得传播过程表现出显著的动态耦合特性。在社交媒体时代，平台机制加速了信息流通，导致某些派生话题迅速传播，而其他话题则迅速消失。这种差异不仅源于网络结构特性，还源于用户的集体反应和情感倾向。话题吸引力代表了用户情感和互动行为的综合体现，积极情绪可能增强传播动力，而消极情绪可能抑制扩散，这些因素的相互作用最终决定了派生话题的传播潜力。因此，从话题吸引力和多话题互动的角度来描述派生话题的传播动态，并预测其未来的演变趋势，对于理解社交媒体环境中的复杂多话题传播机制具有重要的理论意义和实际价值。

近年来，关于派生话题信息传播动态的研究在国内和国际上都受到了广泛关注（Li, Yu, He, 2024b, van der Linden, Kyrychenko, 2024, Xu, Zheng, Zhu, Pan, Yao, Xu, Liu, Zhang, Yan, 2025b）。在派生话题信息传播动态的研究领域，目前有两个主要方向。一个方向是研究人员改进SIR模型（Chen, Lu, Li, Tian, Zhang, 2025, Wang, Ma, Guo, Wei, Wang, Li, Xiao, 2024, Ye, Zhou, Zhao, 2025b, Yu, Zi, Zhang, Wu, Cong, Mostafa, 2025），以构建适用于互联网的信息传播模型，预测派生话题的传播趋势。另一个方向则侧重于分析网络中派生话题的实际传播动态，提取和总结其特征，并利用深度学习算法根据这些特征预测用户的转发行为（Chen, Wang, Ke, Lu, Su, Chen, 2023, Hui, Wenya, Hao, Anderson, Haoliang, 2024, Xiaoyang, Chenxiang, Giacomo, Pasquale, 2024, Yeqing, Yongjun, Peng, 2023）。

在话题传播预测的研究中，可以观察到一个有趣的现象：一个话题的传播受到其自身吸引力和语义相关话题的吸引力的共同影响，如图1所示。相似的话题通常会同时出现，并在用户注意力有限的约束下相互竞争。用户的积极兴趣会增强话题的吸引力并加速扩散；相反，消极或怀疑的情绪会削弱吸引力并抑制进一步传播。同时，竞争话题可能会分散用户的注意力，从而对传播过程产生额外约束。如何有效地量化话题吸引力，以及如何利用这种表述进一步提高派生话题传播趋势的预测准确性？当前的挑战在于，许多现有的传播预测模型（如基于SIR的扩散模型（Wang, Ma, Guo, Wei, Wang, Li, Xiao, 2024, Yu, Zi, Zhang, Wu, Cong, Mostafa, 2025）和基于深度学习的传播预测器（Xiaoyang, Chenxiang, Giacomo, Pasquale, 2024, Yeqing, Yongjun, Peng, 2023）未能充分捕捉派生话题的独特特征和动态变化。这些模型往往忽略了话题吸引力的多维性质以及不同话题之间的复杂关系网络。鉴于此，本文研究了派生话题传播中遇到的关键挑战，重点关注以下三个方面：

1. 派生话题之间的复杂关系。话题之间的相互关系会显著影响它们的传播速度和范围；紧密相关的话题可以增强彼此的传播效果。

2. 话题吸引力在推动话题传播中的关键作用。具有高吸引力的话题可以激发用户的兴趣和好奇心，鼓励他们参与讨论、分享和传播该话题。

3. 话题之间关系的动态性。话题之间的关系不是静态的；随着时间的推移，某些话题之间的联系可能会变得更加紧密或疏远。

为了深入探讨上述挑战，对派生话题共现网络进行了分析。通过全面考虑话题标签之间的共现关系及其标准化共现强度，揭示了话题之间的长期稳定关联模式。此外，引入了一种创新的话题吸引力表示方法，该方法定量整合了话题吸引力的多个维度，包括影响力和时效性。同时，为了捕捉话题之间关系的动态变化并强调共现的时效性，将时间敏感的注意力机制整合到图注意力网络（GAT）（Veli?kovi? et al., 2018）中，以处理派生话题的共现网络。在此基础上，提出了一种基于话题吸引力和动态时间感知的创新派生话题传播预测模型。这项研究不仅丰富了话题传播的理论框架，还为实际应用提供了新的视角和方法。主要贡献如下：

1. 基于话题标签共现数据构建派生话题共现网络。以标准化共现强度作为边权重，应用Node2vec（Grover & Leskovec, 2016）算法优化话题节点的低维嵌入表示，从而揭示派生话题之间的长期稳定关联模式。

2. 提出了一种多维话题吸引力表示方法。通过精确量化多个维度上的影响力和时效性，全面捕捉话题的内在吸引力。

3. 构建了动态时间感知图注意力网络（DTA-GAT）派生话题传播预测模型。强调近期共现的时效性，并将时间敏感的注意力机制整合到GAT中，以处理派生话题的共现网络。这种整合使得能够预测派生话题的传播趋势。

接下来的内容安排如下：第2节将探讨该研究领域的现状。第3节提供必要的定义并提出研究问题。第4节详细阐述所提出的方法及其相关学习算法。第5节在真实数据集上验证所提出的方法。第6节总结整篇论文。

相关工作

相关工作

在理论和实践方面，关于话题的研究取得了显著进展。研究人员不断开发新的方法和模型，包括基于图神经网络的方法（Han, Liu, Zhang, An, 2025, Lingwei, Dou, Wei, Xin, Songlin, 2024）、超图和时间建模方法（Delabays, De Pasquale, D?rfler, Zhang, 2025, Qian, Zhang, Xue, Zhang, Xu, 2025）以及基于表示学习的传播预测器（Li, Xiao, Zhou, Wang, Duan, Yu, 2024a, Wang, Wang, Zhang, Li, Li）

相关定义

为了描述派生话题的动态传播特性，从多个维度构建了定量描述。这些维度包括互动强度、参与程度、增长模式、覆盖范围和发起者影响力。基于上述考虑，提供了以下正式定义。

定义1. 总话题互动 totalEngage(v)。

总话题互动衡量了用户与该话题的互动和参与程度

模型

为了解决上述问题，本节提出了一种基于话题吸引力和动态时间感知的派生话题传播预测模型。该模型包括三个部分。第一部分通过派生话题共现网络挖掘话题的结构特征。第二部分根据影响力和时效性两个属性提取话题吸引力。第三部分计算加权平均共现时间

实验设置

本节将介绍实验中使用的数据、用于比较模型性能的基线方法以及用于评估模型性能的指标。

总结

通过将话题吸引力与动态时间感知相结合，提出了一种派生话题传播预测模型，以捕捉宏观层面的传播模式。使用标准化共现强度构建了派生话题的共现网络，Node2vec生成了低维话题嵌入。从影响力和时效性的角度对话题吸引力进行了建模。GAT中的时间敏感注意力机制构成了DTA-GAT模型，使得预测更加准确

CRediT作者贡献声明

王荣：监督、撰写——审稿与编辑、资源提供。毛润宇：概念化、方法论、软件开发、撰写——初稿、审稿与编辑。席文怡：方法论、撰写——审稿与编辑。李倩：方法论、监督、撰写——审稿与编辑。李屯：方法论、监督、撰写——审稿与编辑。肖云鹏：项目管理、监督、撰写——审稿与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。