預(yù)測(cè)社交網(wǎng)絡(luò)中信息傳播鏈的下一位參與者一直是一個(gè)未解決的問題。最近，圖神經(jīng)網(wǎng)絡(luò)（GNN）被證明是處理這一任務(wù)的最有效方法之一。GNN通過聚合用戶在社交網(wǎng)絡(luò)中直接或間接關(guān)注的其他用戶的表示來改進(jìn)用戶的表示。然而，這些鏈接只是用戶獲取信息的一種途徑。實(shí)際上，不相連的用戶之間還存在其他信息傳播渠道。關(guān)于這些信息傳播渠道的先前研究非常有限，更不用說利用它們進(jìn)行參與者預(yù)測(cè)的深度學(xué)習(xí)框架了。受此啟發(fā)，我們首先從用戶推文中挖掘隱藏的信息傳播渠道，并通過將這些渠道與后續(xù)鏈接結(jié)合起來構(gòu)建一個(gè)多異構(gòu)圖。隨后，我們提出了一種基于主題感知的多異構(gòu)圖神經(jīng)網(wǎng)絡(luò)（TMGNN）模型，以利用這些擴(kuò)展的渠道來學(xué)習(xí)用戶表示。我們學(xué)習(xí)了用戶在特定主題上與其他用戶之間的關(guān)聯(lián)程度，并結(jié)合主題感知的注意力機(jī)制來處理涉及未知主題的信息傳播鏈問題。在兩個(gè)公開可用的數(shù)據(jù)集上的廣泛實(shí)驗(yàn)結(jié)果表明，TMGNN在MAP@10指標(biāo)上相比現(xiàn)有的最佳模型實(shí)現(xiàn)了超過15%的提升，證明了其通用性和魯棒性。該研究的代碼可在以下鏈接公開獲取：https://github.com/william-wang-stu/TMGNN。