論文の概要: Towards Better Graph Representation: Two-Branch Collaborative Graph Neural Networks for Multimodal Marketing Intention Detection

• arxiv url: http://arxiv.org/abs/2005.08706v3
• Date: Wed, 31 Mar 2021 06:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 13:25:42.978541
• Title: Towards Better Graph Representation: Two-Branch Collaborative Graph Neural Networks for Multimodal Marketing Intention Detection
• Title（参考訳）: グラフ表現の改善に向けて:マルチモーダルマーケティング意図検出のための双方向協調グラフニューラルネットワーク
• Authors: Lu Zhang, Jian Zhang, Zhibin Li, and Jingsong Xu
• Abstract要約: 本稿では、グラフ畳み込みネットワーク(GCN)によるマルチモーダルデータを協調的に表現する2分岐協調グラフニューラルネットワークを提案する。 提案手法は,マーケティング意図の検出において,優れたグラフ分類性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 16.438674252383905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by the fact that spreading and collecting information through the Internet becomes the norm, more and more people choose to post for-profit contents (images and texts) in social networks. Due to the difficulty of network censors, malicious marketing may be capable of harming society. Therefore, it is meaningful to detect marketing intentions online automatically. However, gaps between multimodal data make it difficult to fuse images and texts for content marketing detection. To this end, this paper proposes Two-Branch Collaborative Graph Neural Networks to collaboratively represent multimodal data by Graph Convolution Networks (GCNs) in an end-to-end fashion. Experimental results demonstrate that our proposed method achieves superior graph classification performance for marketing intention detection.
• Abstract（参考訳）: インターネットを通じて情報の拡散と収集が一般的になるという事実に触発されて、ますます多くの人がソーシャルネットワークに非営利コンテンツ(画像やテキスト)を投稿するようになっている。 ネットワーク検閲の難しさから、悪意のあるマーケティングは社会を害する可能性がある。 したがって、オンラインマーケティングの意図を自動的に検出することは有意義である。 しかし、マルチモーダルデータのギャップは、コンテンツマーケティング検出のために画像とテキストを融合させることを困難にしている。 本稿では,グラフ畳み込みネットワーク(gcns)によるマルチモーダルデータをエンドツーエンドで協調的に表現する,双方向協調型グラフニューラルネットワークを提案する。 実験の結果,提案手法はマーケティング意図検出において優れたグラフ分類性能が得られることがわかった。

関連論文リスト

• Anonymized Network Sensing Graph Challenge [6.896725738630828]
  匿名化されたネットワークセンシング グラフチャレンジは、大規模でオープンなコミュニティベースのネットワーク保護アプローチの実現を目指している。 この課題は、匿名化されたトラフィック行列の構築と分析を最適化するための新しいアプローチを強調する機会を提供する。 GraphBLASリファレンス実装が提供されているが、このグラフチャレンジではGraphBLASの使用は必要ない。
  論文  参考訳（メタデータ） (2024-09-12T15:07:16Z)
• GRaMuFeN: Graph-based Multi-modal Fake News Detection in Social Media [0.0]
  本研究では,ニュースのテキストコンテンツと画像コンテンツの両方を分析し,偽コンテンツを検出するモデルGraMuFeNを提案する。 GraMuFeNはテキストエンコーダとイメージエンコーダの2つの主要コンポーネントから構成される。 テキスト分析では、GraMuFeNは各テキストをグラフとして扱い、グラフ畳み込みニューラルネットワーク(GCN)をテキストエンコーダとして使用する。
  論文  参考訳（メタデータ） (2023-10-11T17:17:40Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• MMGA: Multimodal Learning with Graph Alignment [8.349066399479938]
  本稿では,グラフ(ソーシャルネットワーク)や画像,テキストなどの情報をソーシャルメディアに組み込むための,新しいマルチモーダル事前学習フレームワークMMGAを提案する。 MMGAでは,画像とテキストエンコーダを最適化するために,多段階のグラフアライメント機構が提案されている。 われわれのデータセットは、グラフ付き初のソーシャルメディアマルチモーダルデータセットであり、将来の研究を促進するために200万の投稿に基づいて特定のトピックをラベル付けした6万人のユーザーからなる。
  論文  参考訳（メタデータ） (2022-10-18T15:50:31Z)
• 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)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning [48.09362183184101]
  マルチスケールのコントラスト学習によるシームズ自己蒸留の強化により,ノード表現を学習するための新しい自己教師型アプローチを提案する。 提案手法は,新しい最先端の成果を達成し,半教師ありの成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-12T14:20:13Z)
• Self-supervised Graph Representation Learning via Bootstrapping [35.56360622521721]
  深層グラフブートストラップ(DGB)の自己教師付きグラフ表現法を提案する。 DGBは、オンラインとターゲットの2つのニューラルネットワークで構成されており、その入力は初期グラフの異なる拡張ビューである。 その結果、教師なしの方法で負の例を伴わずにグラフ表現を学習できる。
  論文  参考訳（メタデータ） (2020-11-10T14:47:29Z)
• Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
  クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。 群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:12:37Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。