基于深度学习注意力机制的热度动力学建模与预测

预测复杂演化系统中单个条目的热度动力学，在广泛领域具有重要意义。本文提出一种深度学习注意力机制，以建模单个条目获得热度的过程。我们结合先前长期热度动力学量化研究中独立证实的四种关键现象——内在质量、老化效应、新颖性效应与马太效应——分析模型的可解释性。我们分析了引入注意力模型在热度动力学预测中的有效性。在真实大规模引用数据集上的大量实验表明，所设计的深度学习注意力机制在预测长期热度动力学方面具有显著能力。它持续优于现有方法，并实现了明显的性能提升。