論文の概要: Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction

• arxiv url: http://arxiv.org/abs/2001.00132v1
• Date: Wed, 1 Jan 2020 03:35:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 09:36:44.591120
• Title: Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction
• Title（参考訳）: Inf-VAE: ホモフィリー統合のための変分オートエンコーダフレームワークと拡散予測への影響
• Authors: Aravind Sankar, Xinyang Zhang, Adit Krishnan, Jiawei Han
• Abstract要約: 本稿では,近距離保存型ソーシャルおよび位置符号化型潜伏変数を通じて,ホモフィリと影響を共同で埋め込む新しい変分オートエンコーダフレームワーク(Inf-VAE)を提案する。 Inf-VAEにおけるDigg, Weibo, Stack-Exchangesなど,複数の実世界のソーシャルネットワークデータセットに対する実験結果から,最先端拡散予測モデルよりも大きな利益(22% MAP@10)が得られた。
• 参考スコア（独自算出の注目度）: 31.420391287068846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed tremendous interest in understanding and predicting information spread on social media platforms such as Twitter, Facebook, etc. Existing diffusion prediction methods primarily exploit the sequential order of influenced users by projecting diffusion cascades onto their local social neighborhoods. However, this fails to capture global social structures that do not explicitly manifest in any of the cascades, resulting in poor performance for inactive users with limited historical activities. In this paper, we present a novel variational autoencoder framework (Inf-VAE) to jointly embed homophily and influence through proximity-preserving social and position-encoded temporal latent variables. To model social homophily, Inf-VAE utilizes powerful graph neural network architectures to learn social variables that selectively exploit the social connections of users. Given a sequence of seed user activations, Inf-VAE uses a novel expressive co-attentive fusion network that jointly attends over their social and temporal variables to predict the set of all influenced users. Our experimental results on multiple real-world social network datasets, including Digg, Weibo, and Stack-Exchanges demonstrate significant gains (22% MAP@10) for Inf-VAE over state-of-the-art diffusion prediction models; we achieve massive gains for users with sparse activities, and users who lack direct social neighbors in seed sets.
• Abstract（参考訳）: 近年、twitter、facebookなどのソーシャルメディアプラットフォームで拡散する情報の理解と予測に多大な関心が寄せられている。 既存の拡散予測手法は, 拡散カスケードを地域社会に投影することで, 影響のあるユーザの逐次秩序を生かすものである。 しかし、これはどのカスケードにも明示的に現れないグローバルな社会構造を捉えることに失敗し、歴史的な活動が制限された非アクティブユーザーのパフォーマンスが低下する結果となった。 本稿では,近距離保存型ソーシャルおよび位置符号化型潜伏変数を通じて,ホモフィリと影響を共同で埋め込む新しい変分オートエンコーダフレームワーク(Inf-VAE)を提案する。 inf-vaeは、強力なグラフニューラルネットワークアーキテクチャを使用して、ユーザの社会的接続を選択的に活用する社会的変数を学習する。 Inf-VAEは、シードユーザのアクティベーションのシーケンスを前提として、社会的および時間的変数を共同で参加して、すべての影響のあるユーザの集合を予測する、新しい表現力のある協調型融合ネットワークを使用する。 Digg、Weibo、Stack-Exchangesなど、複数の実世界のソーシャルネットワークデータセットに対する実験結果は、最先端の拡散予測モデルよりもInf-VAEにとって大きな増加(22% MAP@10)を示しました。

関連論文リスト

• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• Extracting Attentive Social Temporal Excitation for Sequential Recommendation [20.51029646194531]
  我々は、ソーシャル・テンポラル・エキサイティング・ネットワーク(STEN)と呼ばれる、時間対応のシーケンシャル・レコメンデーション・フレームワークを提案する。 STENは、友人の行動がユーザの動的興味に与えるきめ細かな影響をモデル化するために、時間的ポイントプロセスを導入する。 STENは、イベントレベルのレコメンデーションの説明可能性を提供する。
  論文  参考訳（メタデータ） (2021-09-28T07:39:31Z)
• Independent Asymmetric Embedding Model for Cascade Prediction on Social Network [0.49269463638915806]
  Cascade予測は、メッセージをソーシャルネットワークに再投稿する可能性のある個人を予測することを目的としています。 カスケード予測のための社会的埋め込み学習のための独立な非対称埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-05-18T05:40:38Z)
• DyHGCN: A Dynamic Heterogeneous Graph Convolutional Network to Learn Users' Dynamic Preferences for Information Diffusion Prediction [27.15862893269242]
  本稿では,ソーシャルグラフと動的拡散グラフの構造特性を共同で学習するための,新しい動的不均一グラフ畳み込みネットワーク(DyHGCN)を提案する。 実験結果から,DyHGCNは3つの公開データセットの最先端モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-06-09T10:34:41Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。