近幾年，由於圖卷積網路(Graph Convolution Network，GCN) 的出現，被大量應用在圖形(graph) 資料上，能夠不單使用本身的資訊，也能同時考慮在圖形中與自己相連點資訊，對於模型的學習提供更多的訊息，例如社群網路、通訊網路和蛋白質網路，在過去的研究都有突出的模型表現。然而，圖卷積網路(GCN) 卻較少運用在序列資料的處理上。關於序列資料，一般常見的為時間序列，而由於科技的進步，使得感測(sensors) 廣泛運用在城市中，例如空氣品質監控、腳踏車流量管理、交通流量控管，同時也獲取?多感測器的序列型態紀錄，因此，對於利用時間序列資料的預測更為受到重視且可行。又由於網際網路的盛行，網路使用者在社群媒體平台頻繁的互動，資訊不斷的在網路上散布，同時也就產生了社群媒體的序列，例如轉傳文章貼文的序列，而近幾年來在社群網路上，假新聞的議題受到極大的關注，文章貼文文字序列以及轉傳使用者序列或?隱含著假新聞的資訊。因此，本研究將結合圖卷積網路(GCN) 的優點和深度學習的架構，針對兩種不同序列型態的資訊: 時間序列與社群媒體序列，分別根據其形態建立兩種模型，Attention-adjusted Graph Spatio-Temporal Network(AGSTN) 與Graph-aware Co-Attention Network(GCAN)模型來進行序列表示學習以及預測。 針對AGSTN 模型，利用多層圖卷積網路(Multi-Graph Convolutional Network，MGCN) 來學習感測器間隨著時間變化的空間與時間相關性，以及利用注意力(attention) 機制來進行調整，使得預測值在隨著時間變動幅度不定的情況下，能夠更趨於合適的範圍預測數值。模型應用在三種資料集上，分別為空氣品質序列、腳踏車需求序列、交通序列，皆有顯著的預測表現且優於過去的模型；針對GCAN模型，將社群媒體序列應用於假新聞偵測問題上，利用短篇文章貼文的文字序列和轉傳使用者序列，以較貼近真實的情況下進行假新聞的預測，利用圖卷積網路(GCN)學習轉傳使用者間的相互關係，結合深度學習(deep learning) 的序列模型進行預測，且藉由雙重共同注意力(dual co-attention)機制針對預測為假新聞的原因進行解釋，實驗於兩個真實的推(Twitter) 資料集上，模型表現皆優於過去的模型。
Graph Neural Network-enhanced Sequential Learning for Time Series and Social Media Prediction
易儒, 呂. (Author). 2020
學生論文: Doctoral Thesis