論文の概要: Predicting event attendance exploring social influence

• arxiv url: http://arxiv.org/abs/2002.06665v1
• Date: Sun, 16 Feb 2020 20:03:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 17:59:53.247712
• Title: Predicting event attendance exploring social influence
• Title（参考訳）: 社会的影響を探るイベント出席予測
• Authors: Fatemeh Salehi Rizi, Michael Granitzer
• Abstract要約: イベント出席者に対する友人の社会的影響をモデル化することを提案する。 利用者の出席度を推定するために,ソーシャルグループ構造以外の非タグ付き投稿を考察する。 演奏評価は2つの大音楽祭データセットを用いて行う。
• 参考スコア（独自算出の注目度）: 0.5134435281973136
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The problem of predicting people's participation in real-world events has received considerable attention as it offers valuable insights for human behavior analysis and event-related advertisement. Today social networks (e.g. Twitter) widely reflect large popular events where people discuss their interest with friends. Event participants usually stimulate friends to join the event which propagates a social influence in the network. In this paper, we propose to model the social influence of friends on event attendance. We consider non-geotagged posts besides structures of social groups to infer users' attendance. To leverage the information on network topology we apply some of recent graph embedding techniques such as node2vec, HARP and Poincar`e. We describe the approach followed to design the feature space and feed it to a neural network. The performance evaluation is conducted using two large music festivals datasets, namely the VFestival and Creamfields. The experimental results show that our classifier outperforms the state-of-the-art baseline with 89% accuracy observed for the VFestival dataset.
• Abstract（参考訳）: 実際のイベントへの参加を予測する問題は、人間の行動分析やイベント関連広告に価値ある洞察を与えるため、注目されている。 今日、ソーシャルネットワーク(例えばtwitter)は、人々が友人と議論する大規模な人気イベントを広く反映している。 イベント参加者は通常、ネットワーク内の社会的影響を広めるイベントに参加するように友人を刺激する。 本稿では,イベント出席者に対する友人の社会的影響をモデル化する。 利用者の出席度を推定するために,ソーシャルグループ構造以外の非タグ付き投稿を考察する。 ネットワークトポロジの情報を活用するために, node2vec, HARP, Poincar`e などの最近のグラフ埋め込み技術を適用した。 我々は、そのアプローチを説明し、機能空間を設計し、それをニューラルネットワークに供給する。 演奏評価は、VFestivalとCreamfieldsという2つの大きな音楽祭のデータセットを用いて行われる。 実験の結果,VFestivalデータセットでは89%の精度で,最先端のベースラインよりも高い性能を示した。

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)
• Organized Event Participant Prediction Enhanced by Social Media Retweeting Data [8.675064911866201]
  本稿では、ソーシャルメディアのリツイート活動データを利用して、イベント参加者予測モデルの学習を強化することを提案する。 実世界データを用いた総合的な実験を2つのシナリオで実施する。
  論文  参考訳（メタデータ） (2023-10-02T04:26:07Z)
• EDSA-Ensemble: an Event Detection Sentiment Analysis Ensemble Architecture [63.85863519876587]
  Sentiment Analysisを使って、イベントに属する各メッセージの極性やイベント全体を理解することで、オンラインソーシャルネットワークにおける重要なトレンドやダイナミクスに関する一般的な感情や個人の感情をよりよく理解することができます。 本研究では,ソーシャルメディアから現在起きているイベントの極性検出を改善するために,イベント検出と知覚分析を用いた新しいアンサンブルアーキテクチャEDSA-Ensembleを提案する。
  論文  参考訳（メタデータ） (2023-01-30T11:56:08Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks [0.734084539365505]
  予測は典型的には教師なしまたは教師なしの学習に基づいている。 個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。 社会的認識が予測性能に大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-09-19T18:49:10Z)
• Streaming Social Event Detection and Evolution Discovery in Heterogeneous Information Networks [90.3475746663728]
  イベントは現実世界やリアルタイムで行われており、社会集会、祝祭、影響力のある会議、スポーツ活動などのイベントのために計画や組織化が可能である。 ソーシャルメディアプラットフォームは、トピックの異なる公開イベントに関する多くのリアルタイムテキスト情報を生成する。 しかし、異質なテクスチャやメタデータがあいまいであることが多いため、社会イベントの採掘は困難である。
  論文  参考訳（メタデータ） (2021-04-02T02:13:10Z)
• Urban Crowdsensing using Social Media: An Empirical Study on Transformer and Recurrent Neural Networks [0.7090165638014329]
  我々は、利用可能なソーシャルメディアデータセットを活用し、これらを2つの都市センシング問題の基盤として利用する。 この研究の主な貢献の1つは、TwitterとFlickrから収集したデータセットです。 2つの予備的な教師付き学習手法を用いて,本データセットの有用性を示す。
  論文  参考訳（メタデータ） (2020-12-05T15:36:50Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)
• 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)
• Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction [31.420391287068846]
  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。
  論文  参考訳（メタデータ） (2020-01-01T03:35:10Z)

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。