基于动态增强图注意力网络的突发事件预测

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%.

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