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

• Prompt-based Personality Profiling: Reinforcement Learning for Relevance Filtering [8.20929362102942]
  著者プロファイルは、共有するコンテンツを分析して個人の特徴を推測するタスクである。 本稿では,関係のないコンテンツと関係のないコンテンツとを区別することを目的とした著者プロファイリング手法を提案し,それに続いて,関連データのみを用いて実際のユーザプロファイリングを行う。 2つのTwitterコーパスにおける5つの人格特性予測手法の評価を行った。
  論文  参考訳（メタデータ） (2024-09-06T08:43:10Z)
• DiffMM: Multi-Modal Diffusion Model for Recommendation [19.43775593283657]
  DiffMMと呼ばれる新しいマルチモーダルグラフ拡散モデルを提案する。 本フレームワークは,モダリティを意識したグラフ拡散モデルとクロスモーダルコントラスト学習パラダイムを統合し,モダリティを意識したユーザ表現学習を改善する。
  論文  参考訳（メタデータ） (2024-06-17T17:35:54Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• SoMeR: Multi-View User Representation Learning for Social Media [1.7949335303516192]
  本稿では,ソーシャルメディアのユーザ表現学習フレームワークであるSoMeRを提案する。 SoMeRは、ユーザ投稿ストリームをタイムスタンプ付きテキスト機能のシーケンスとしてエンコードし、トランスフォーマーを使用してプロファイルデータと共にそれを埋め込み、リンク予測とコントラスト学習の目標を共同でトレーニングする。 1)類似コンテンツを同時に投稿するユーザを検出することによって、協調的な影響操作に関わる不正確なアカウントを同定し、2)異なる信念を持つユーザがより遠くへ移動する様子を定量化して、主要なイベント後のオンライン議論における偏光の増大を測定する。
  論文  参考訳（メタデータ） (2024-05-02T22:26:55Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• 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)
• 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)
• 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。