计算机应用研究

作者：李泽,赵伟超,徐慧雯,

单位：中国科学院中国科学院长春光学精密机械与物理研究所,长春130033；

关键词：社会团体发现,图卷积神经网络,节点表示,时序图,

基金：中国科学院战略性先导科技专项资助项目(XDB0500103)；国家基础学科公共科学数据中心资助项目(NBSDC-DB-02)；；

在一些社会事件中，发现引起事件的社会团体对这些事件的治理具有重要的意义。针对现有社会团体发现任务中忽略团体对人物特征节点影响以及时间因素对团体发现影响的问题，提出了基于团体的节点表示模型G-GCN（group graph convolutional network），在对人物节点进行表示时融合团体的特征来增强节点表示。时间迁移对于团体发现有着重要意义，所以在G-GCN基础上提出了时序图神经网络TG-GCN（temporal-group graph convolutional network），引入了时间变化对节点表示变化的学习，实现了跨越时间的信息序列聚合表示，将相邻的事实转换为团体发现的演化表示。实验使用Yelp和Amazon数据集，团体划分的准确率提升了0.1，证明了TG-GCN对于团体发现任务的有效性。研究为事件治理提供了新视角，强调了节点表示与时间因素的重要性，对社会事件动态理解与预测具有价值。

来源：2025年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第9期