論文の概要: User Profiling Using Hinge-loss Markov Random Fields
- arxiv url: http://arxiv.org/abs/2001.01177v1
- Date: Sun, 5 Jan 2020 06:55:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 07:43:21.051171
- Title: User Profiling Using Hinge-loss Markov Random Fields
- Title(参考訳): ヒンジロスマルコフ確率場を用いたユーザプロファイリング
- Authors: Golnoosh Farnadi, Lise Getoor, Marie-Francine Moens, Martine De Cock
- Abstract要約: 本研究では, 年齢, 性別, 性格特性など, 多様なユーザ特性を推測し, ユーザプロファイルにコンパイルする機構を提案する。
提案手法は,複数の情報ソースを組み込んで競合する手法より優れる。
- 参考スコア(独自算出の注目度): 40.60150217900392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of approaches have been proposed to automatically infer the
profiles of users from their digital footprint in social media. Most of the
proposed approaches focus on mining a single type of information, while
ignoring other sources of available user-generated content (UGC). In this
paper, we propose a mechanism to infer a variety of user characteristics, such
as, age, gender and personality traits, which can then be compiled into a user
profile. To this end, we model social media users by incorporating and
reasoning over multiple sources of UGC as well as social relations. Our model
is based on a statistical relational learning framework using Hinge-loss Markov
Random Fields (HL-MRFs), a class of probabilistic graphical models that can be
defined using a set of first-order logical rules. We validate our approach on
data from Facebook with more than 5k users and almost 725k relations. We show
how HL-MRFs can be used to develop a generic and extensible user profiling
framework by leveraging textual, visual, and relational content in the form of
status updates, profile pictures and Facebook page likes. Our experimental
results demonstrate that our proposed model successfully incorporates multiple
sources of information and outperforms competing methods that use only one
source of information or an ensemble method across the different sources for
modeling of users in social media.
- Abstract(参考訳): ソーシャルメディアにおけるデジタルフットプリントからユーザのプロフィールを自動的に推測する様々なアプローチが提案されている。
提案するアプローチのほとんどは、利用可能なユーザ生成コンテンツ(UGC)の他のソースを無視しながら、単一のタイプの情報マイニングに重点を置いている。
本稿では, 年齢, 性別, 性格特性などのユーザ特性を推定し, それらの特徴をユーザプロファイルにまとめる機構を提案する。
この目的のために,我々はソーシャルメディアユーザを,uccの複数のソースと社会関係を統合・推論することによってモデル化する。
本モデルは,一階述語論理則を用いて定義可能な確率的グラフィカルモデルのクラスであるHingg-loss Markov Random Fields (HL-MRFs) を用いた統計的関係学習フレームワークに基づいている。
5万以上のユーザーと725万近い関係を持つFacebookのデータに対する我々のアプローチを検証する。
hl-mrfsは,ステータス更新,プロフィール写真,facebookページ風の形式でテキスト,ビジュアル,リレーショナルコンテンツを活用して,汎用的で拡張可能なユーザプロファイリングフレームワークの開発に利用可能であることを示す。
実験の結果,提案手法は複数の情報ソースをうまく組み込むことで,ソーシャルメディア上のユーザをモデル化するために,複数の情報ソースやアンサンブル手法のみを使用する競合手法よりも優れていることがわかった。
関連論文リスト
- On the steerability of large language models toward data-driven personas [103.17413190093366]
協調フィルタリングに基づくデータ駆動型ペルソナ定義手法を提案する。
ユーザの連続表現を仮想トークンのシーケンスにマッピングするために,ソフトプロンプトモデルを学ぶ。
以上の結果から,本アルゴリズムはベースラインの収集よりも性能が優れていることがわかった。
論文 参考訳(メタデータ) (2023-11-08T19:01:13Z) - MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。
我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。
我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
論文 参考訳(メタデータ) (2022-12-30T07:37:40Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - In the Eye of the Beholder: Robust Prediction with Causal User Modeling [27.294341513692164]
データ分布の変化に頑健な関係予測のための学習フレームワークを提案する。
私たちのキーとなる観察は、ユーザがどのように環境を慎重に知覚するかを考慮し、堅牢性を得ることができることです。
論文 参考訳(メタデータ) (2022-06-01T11:33:57Z) - Personalized multi-faceted trust modeling to determine trust links in
social media and its potential for misinformation management [61.88858330222619]
ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。
本稿では,データ駆動型多面信頼モデルを提案する。
信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
論文 参考訳(メタデータ) (2021-11-11T19:40:51Z) - Like Article, Like Audience: Enforcing Multimodal Correlations for
Disinformation Detection [20.394457328537975]
ユーザ生成コンテンツとユーザ共有コンテンツの相関を利用して、オンラインニュース記事の偽情報を検出する。
偽情報検出のためのマルチモーダル学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-08-31T14:50:16Z) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳(メタデータ) (2020-05-03T09:14:31Z) - Personalized Federated Learning: A Meta-Learning Approach [28.281166755509886]
フェデレートラーニング(Federated Learning)では、複数のコンピューティングユニット(ユーザ)にまたがるモデルをトレーニングすることを目的としています。
本稿では,現在あるいは新規利用者が自身のデータに対して1段階ないし数段階の勾配降下を実行することで,ローカルデータセットに容易に適応できるような,初歩的な共有モデルを見つけることを目標とする,フェデレーション学習のパーソナライズされたバリエーションについて検討する。
論文 参考訳(メタデータ) (2020-02-19T01:08:46Z)
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。