558
个编辑
更改
跳到导航
跳到搜索
第42行：
第42行： − + − ===行为记录=== − [[文件:流网络构建.png|缩略图]] − 集体注意力流网络的构建起点是用户行为记录。项目文档中明确提出，要从新闻网站、社交媒体、视频平台、移动应用等多渠道采集用户行为数据，典型行为包括浏览、搜索、点赞、评论、分享、转发、购买、关注等；这些行为轨迹被视为注意力在不同内容资源之间流动的直接体现。也就是说，网络不是凭空设定出来的，而是从海量用户的真实访问与跳转数据中抽取出来的。 − − ===节点与流量=== − 为了构建集体注意力流网络，原始行为记录一般只需要访问的时间戳和具体网址，数据可表示为类似 (time stamp, URL) 的结构。建模时，先把内容资源抽取出来作为节点，再统计任意两个节点之间的转移次数<math>f_{ij}</math>，从而得到一个带方向和权重的流量矩阵<math>F=\{f_{ij}\}_{n\times n}</math>。如果可以采集到访问的用户（Session），跟踪用户状态，那么可以分别跟踪每一个用户的跳转路径。 − − 例如，只有两个用户A和B，四个站点a、b、c和d的情况下，若用户A的访问路径，从a节点跳到b节点再到c节点，用户B的访问路径，从a节点跳到b节点再到d节点，那么我们会得到<math>f_{ab}=2</math>，<math>f_{bc}=1</math>，<math>f_{bd}=1</math>，其他<math>f_{ij}=0</math>的F矩阵。 − − ===引入源、汇节点=== − 直接构建节点的流量矩阵，往往会出现节点流入、流出不平衡的现象，这时候就需要引入源节点和汇节点。 − − 假设，对于节点<math>i</math>，总流入量为 − <math> − I_i= − \sum_{j=1}^{N} f_{ji} − </math> − 总流出量为 − <math> − O_i= − \sum_{j=1}^{N+} f_{ij} − </math> − 那么一般情况下，都会出现<math> − O_i\neq I_i. − </math> − 也就是说此时，网络的流量不是平衡的。为了保证平衡性，我们需要引入源节点source和汇节点sink，也视为流网络的节点，流量矩阵<math>F=\{f_{ij}\}_{(n+2)\times (n+2)}</math>则转换为了包含节点source和汇节点sink的<math>{(n+2)\times (n+2)}</math>矩阵，若规定source节点编号为0，sink节点编号为n+1，则对于任意一个节点i，<math>0\leq i\leq n</math>有 − − <math>f_{0i}=I_i,</math> − <math>f_{i,n+1}=O_i.</math> − − 还是上一节的案例，只有两个用户A和B，<math>f_{ab}=2</math>，<math>f_{bc}=1</math>，<math>f_{bd}=1</math>，那么我们会规定<math>f_{source,a}=2</math>，<math>f_{b,sink}=1</math>,<math>f_{c,sink}=1</math>。我们最终会得到一个平衡的，由a、b、c和d四个站点构造的小型集体注意力流网络。 − − ==[[流网络]]基本定义== 第120行：
第87行： + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
→集体注意力流网络
=集体注意力流网络=
=集体注意力流网络=
==构建==
==集体注意力[[流网络]]相关基本定义==
流网络本质上是一个开放平衡的有向加权网络<ref name=":6" /><ref name=":7" /><ref name=":8" /><ref name=":9" /><ref name=":10" /><ref name=":11" />：节点是内容资源，边表示用户注意力从一个内容资源流向另一个内容资源，边权则表示这种流动发生的次数或规模。与普通拓扑网络不同，它不仅关心“谁和谁相连”，更关心“流量有多大、从哪里来、到哪里去”。
流网络本质上是一个开放平衡的有向加权网络<ref name=":6" /><ref name=":7" /><ref name=":8" /><ref name=":9" /><ref name=":10" /><ref name=":11" />：节点是内容资源，边表示用户注意力从一个内容资源流向另一个内容资源，边权则表示这种流动发生的次数或规模。与普通拓扑网络不同，它不仅关心“谁和谁相连”，更关心“流量有多大、从哪里来、到哪里去”。
需要注意的是，TST并不只是外部进入系统的注意力总量。由于同一份注意力可能在系统内部经过多个节点，例如用户先关注事件本身，再进入评论区，随后点击相关人物或后续报道，因此它可能在多个节点上被重复计入节点总流量。正因如此，TST更准确地表示系统内部的注意力周转规模，而不仅仅是原始注意力输入规模。
需要注意的是，TST并不只是外部进入系统的注意力总量。由于同一份注意力可能在系统内部经过多个节点，例如用户先关注事件本身，再进入评论区，随后点击相关人物或后续报道，因此它可能在多个节点上被重复计入节点总流量。正因如此，TST更准确地表示系统内部的注意力周转规模，而不仅仅是原始注意力输入规模。
==集体注意力流网络的构建==
了解集体注意力流网络相关的基本概念之后，就需要了解如何才能构造一个标准的集体注意力流网络。
===行为记录===
[[文件:流网络构建.png|缩略图]]
集体注意力流网络的构建起点是用户行为记录。项目文档中明确提出，要从新闻网站、社交媒体、视频平台、移动应用等多渠道采集用户行为数据，典型行为包括浏览、搜索、点赞、评论、分享、转发、购买、关注等；这些行为轨迹被视为注意力在不同内容资源之间流动的直接体现。也就是说，网络不是凭空设定出来的，而是从海量用户的真实访问与跳转数据中抽取出来的。
===节点与流量===
为了构建集体注意力流网络，原始行为记录一般只需要访问的时间戳和具体网址，数据可表示为类似 (time stamp, URL) 的结构。建模时，先把内容资源抽取出来作为节点，再统计任意两个节点之间的转移次数<math>f_{ij}</math>，从而得到一个带方向和权重的流量矩阵<math>F=\{f_{ij}\}_{n\times n}</math>。如果可以采集到访问的用户（Session），跟踪用户状态，那么可以分别跟踪每一个用户的跳转路径。
例如，只有两个用户A和B，四个站点a、b、c和d的情况下，若用户A的访问路径，从a节点跳到b节点再到c节点，用户B的访问路径，从a节点跳到b节点再到d节点，那么我们会得到<math>f_{ab}=2</math>，<math>f_{bc}=1</math>，<math>f_{bd}=1</math>，其他<math>f_{ij}=0</math>的F矩阵。
===引入源、汇节点===
直接构建节点的流量矩阵，往往会出现节点流入、流出不平衡的现象，这时候就需要引入源节点和汇节点。
假设，对于节点<math>i</math>，总流入量为
<math>
I_i=
\sum_{j=1}^{N} f_{ji}
</math>
总流出量为
<math>
O_i=
\sum_{j=1}^{N+} f_{ij}
</math>
那么一般情况下，都会出现<math>
O_i\neq I_i.
</math>
也就是说此时，网络的流量不是平衡的。为了保证平衡性，我们需要引入源节点source和汇节点sink，也视为流网络的节点，流量矩阵<math>F=\{f_{ij}\}_{(n+2)\times (n+2)}</math>则转换为了包含节点source和汇节点sink的<math>{(n+2)\times (n+2)}</math>矩阵，若规定source节点编号为0，sink节点编号为n+1，则对于任意一个节点i，<math>0\leq i\leq n</math>有
<math>f_{0i}=I_i,</math>
<math>f_{i,n+1}=O_i.</math>
还是上一节的案例，只有两个用户A和B，<math>f_{ab}=2</math>，<math>f_{bc}=1</math>，<math>f_{bd}=1</math>，那么我们会规定<math>f_{source,a}=2</math>，<math>f_{b,sink}=1</math>,<math>f_{c,sink}=1</math>。我们最终会得到一个平衡的，由a、b、c和d四个站点构造的小型集体注意力流网络。
==性质==
==性质==