微观扩散预测对于深入理解信息在社会网络中的传播具有关键意义.为了进一步提升信息传播预测的精准度,文中提出融合级联频域特征的信息微观扩散预测模型.首先,基于用户友谊关系和历史级联,分别构建社交图和信息扩散超图,并利用图卷积神经网络提取用户在社交关系和转发行为上的表征.然后,应用傅立叶变换,将级联的时域特征映射至频域,通过高频分量与低频分量捕捉级联的短期波动和长期趋势.最后,为了生成更具表现力的用户表示,设计注意力融合层,有效避免特征冗余和信息缺失的问题,进一步优化性能.在四个公开数据集上的实验表明,文中模型在Hits@K和mAP@K指标上都有所提升,由此表明模型的有效性.

微生物与药物的相互作用对人体健康具有重要影响.现有关联预测方法未充分建模异质图的内部节点信息,且忽略不同元路径实例蕴含信息的重要性.为此,文中提出生物拓扑语义增强的药物与微生物异质图表征学习方法(Biological Topology-Semantic Enhanced Heterogeneous Graph Representation Learning for Drug-Microbe Interactions, HGRL),提取高阶混合邻域网络嵌入表示,推理微生物与药物间的关联信息.首先,整合微生物与药物相似性及关联数据,构建加权双向异质网络和多视图元路径感知网络.然后,结合变换器门控图网络与贝叶斯高斯混合加权对比学习,提取复杂生物网络的拓扑语义和嵌入特征.基于对抗性负采样的预测结果表明,HGRL在微生物-药物关联预测中性能较优,可作为预测候选药物相关微生物的可靠工具.