Fugu-MT 論文翻訳(概要): A Social Search Model for Large Scale Social Networks

論文の概要: A Social Search Model for Large Scale Social Networks

arxiv url: http://arxiv.org/abs/2005.04356v1
Date: Sat, 9 May 2020 02:59:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 07:16:30.769612
Title: A Social Search Model for Large Scale Social Networks
Title（参考訳）: 大規模ソーシャルネットワークのためのソーシャル検索モデル
Authors: Yunzhong He, Wenyuan Li, Liang-Wei Chen, Gabriel Forgues, Xunlong Gui, Sui Liang, Bo Hou
Abstract要約: 検索システムは、ソーシャルなつながりを索引づけ用語として扱い、密接なソーシャルなつながりに偏って意味のある結果を生成する。ディープニューラルネットワークは、パーソナライズとテキストの関連性に共同で対処する2towerアプローチで、テキストと社会的関連性を扱う。システムはFacebookにデプロイされ、何十億ものユーザーが自分のつながりから投稿を見つけるのを効率的に支援している。
参考スコア（独自算出の注目度）: 4.3835068018995935
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the rise of social networks, information on the internet is no longer solely organized by web pages. Rather, content is generated and shared among users and organized around their social relations on social networks. This presents new challenges to information retrieval systems. On a social network search system, the generation of result sets not only needs to consider keyword matches, like a traditional web search engine does, but it also needs to take into account the searcher's social connections and the content's visibility settings. Besides, search ranking should be able to handle both textual relevance and the rich social interaction signals from the social network. In this paper, we present our solution to these two challenges by first introducing a social retrieval mechanism, and then investigate novel deep neural networks for the ranking problem. The retrieval system treats social connections as indexing terms, and generates meaningful results sets by biasing towards close social connections in a constrained optimization fashion. The result set is then ranked by a deep neural network that handles textual and social relevance in a two-tower approach, in which personalization and textual relevance are addressed jointly. The retrieval mechanism is deployed on Facebook and is helping billions of users finding postings from their connections efficiently. Based on the postings being retrieved, we evaluate our two-tower neutral network, and examine the importance of personalization and textual signals in the ranking problem.
Abstract（参考訳）: ソーシャルネットワークの台頭に伴い、インターネット上の情報はもはやWebページによってのみ組織化されていない。むしろ、コンテンツはユーザー間で生成され、共有され、ソーシャルネットワーク上の社会的関係を中心に組織化される。これは情報検索システムに新たな課題をもたらす。ソーシャルネットワーク検索システムでは、結果集合の生成は、従来の検索エンジンのようにキーワードマッチングを考慮するだけでなく、検索者のソーシャル接続やコンテンツの可視性の設定も考慮する必要がある。さらに、検索ランキングは、テキストの関連性と、ソーシャルネットワークからのリッチなソーシャルインタラクションシグナルの両方を扱うことができる。本稿では,この2つの課題に対して,まずソーシャル検索機構を導入し,次にランキング問題に対する新しい深層ニューラルネットワークについて検討する。検索システムは、ソーシャル接続を索引付け用語として扱い、制約付き最適化方式で閉じたソーシャル接続に偏りを付けた有意義な結果を生成する。結果セットは、テキストと社会的関連性を扱うディープニューラルネットワークによって2towerアプローチでランク付けされ、パーソナライズとテキストの関連性は共同で対処される。検索メカニズムはFacebook上に展開され、何十億ものユーザーが効率的に接続から投稿を見つけるのを助ける。検索した投稿に基づいて、2tower中立ネットワークを評価し、ランキング問題におけるパーソナライズとテキスト信号の重要性を検討する。

関連論文リスト

From a Social Cognitive Perspective: Context-aware Visual Social Relationship Recognition [59.57095498284501]
我々は,textbfContextual textbfSocial textbfRelationships (textbfConSoR) を社会的認知の観点から認識する新しいアプローチを提案する。画像ごとの社会的関係を考慮した社会認識記述言語プロンプトを構築した。印象的なことに、ConSoRは従来の手法を上回り、Person-in-Social-Context(PISC)データセットでは12.2%、Person-in-Photo-Album(PIPA)ベンチマークでは9.8%向上している。
論文参考訳（メタデータ） (2024-06-12T16:02:28Z)
Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data [13.660150473547766]
本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
論文参考訳（メタデータ） (2023-12-31T05:13:13Z)
Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-12-22T01:20:29Z)
Federated Social Recommendation with Graph Neural Network [69.36135187771929]
本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
論文参考訳（メタデータ） (2021-11-21T09:41:39Z)
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)
Who will accept my request? Predicting response of link initiation in two-way relation networks [7.547803601922528]
本稿では、双方向ネットワークにおけるリンク開始フィードバックの予測方法である、ソーシャルネットワーク分析とマイニングにおける重要な問題に対処する。双方向ネットワークにおける2つの個人間の関係には、招待者が受け入れた場合に確立されたリンクとなる1人の個人からのリンク招待が含まれる。本稿では,この多層的手法によるリンク開始フィードバック予測問題を解く手法を提案する。
論文参考訳（メタデータ） (2020-12-21T08:14:37Z)
GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
論文参考訳（メタデータ） (2020-12-07T18:29:32Z)
CommuNety: A Deep Learning System for the Prediction of Cohesive Social Communities [14.839117147209603]
画像を用いた結束型ソーシャルネットワーク予測のための深層学習システムCommuNetyを提案する。提案したディープラーニングモデルは階層型CNNアーキテクチャで構成され,各結合ネットワークに関連する記述的特徴を学習する。また、画像中の人物の存在を定量化するための新しい顔共起周波数アルゴリズムと、予測されたソーシャルネットワークにおける個人間の関係の強さを分析する新しい写真ランキング手法を提案する。
論文参考訳（メタデータ） (2020-07-29T11:03:22Z)
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)

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。