多源数据融合的标记时间点过程方法研究

摘要

提出了一种全局增强自注意力标记时间点过程（globally augmented self-attentive marked temporal point process,GASAMTPP）模型.该模型将实体静态特征编码为全局隐变量，以实现实体隐式聚类；应用自注意力机制对全局隐变量拼接后的历史事件序列进行编码，以捕捉实际历史事件之间复杂的依赖关系；利用所获得的综合表征参数化条件强度函数与标记分布，实现了下一事件发生时间与标记的联合预测.真实数据集试验表明，在下一事件发生时间与标记预测任务中，GASAMTPP模型性能优于现有主流模型.

关键词

标记时间点过程 / 自注意力机制 / 多源数据 / 隐变量