Fugu-MT 論文翻訳(概要): DyHGCN: A Dynamic Heterogeneous Graph Convolutional Network to Learn Users' Dynamic Preferences for Information Diffusion Prediction

論文の概要: DyHGCN: A Dynamic Heterogeneous Graph Convolutional Network to Learn Users' Dynamic Preferences for Information Diffusion Prediction

arxiv url: http://arxiv.org/abs/2006.05169v1
Date: Tue, 9 Jun 2020 10:34:41 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 15:49:05.320030
Title: DyHGCN: A Dynamic Heterogeneous Graph Convolutional Network to Learn Users' Dynamic Preferences for Information Diffusion Prediction
Title（参考訳）: DyHGCN:情報拡散予測のためのユーザの動的嗜好を学習する動的不均一グラフ畳み込みネットワーク
Authors: Chunyuan Yuan, Jiacheng Li, Wei Zhou, Yijun Lu, Xiaodan Zhang, Songlin Hu
Abstract要約: 本稿では,ソーシャルグラフと動的拡散グラフの構造特性を共同で学習するための,新しい動的不均一グラフ畳み込みネットワーク(DyHGCN)を提案する。実験結果から,DyHGCNは3つの公開データセットの最先端モデルよりも有意に優れていた。
参考スコア（独自算出の注目度）: 27.15862893269242
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Information diffusion prediction is a fundamental task for understanding the information propagation process. It has wide applications in such as misinformation spreading prediction and malicious account detection. Previous works either concentrate on utilizing the context of a single diffusion sequence or using the social network among users for information diffusion prediction. However, the diffusion paths of different messages naturally constitute a dynamic diffusion graph. For one thing, previous works cannot jointly utilize both the social network and diffusion graph for prediction, which is insufficient to model the complexity of the diffusion process and results in unsatisfactory prediction performance. For another, they cannot learn users' dynamic preferences. Intuitively, users' preferences are changing as time goes on and users' personal preference determines whether the user will repost the information. Thus, it is beneficial to consider users' dynamic preferences in information diffusion prediction. In this paper, we propose a novel dynamic heterogeneous graph convolutional network (DyHGCN) to jointly learn the structural characteristics of the social graph and dynamic diffusion graph. Then, we encode the temporal information into the heterogeneous graph to learn the users' dynamic preferences. Finally, we apply multi-head attention to capture the context-dependency of the current diffusion path to facilitate the information diffusion prediction task. Experimental results show that DyHGCN significantly outperforms the state-of-the-art models on three public datasets, which shows the effectiveness of the proposed model.
Abstract（参考訳）: 情報拡散予測は情報伝達過程を理解するための基本的な課題である。誤った情報拡散予測や悪意のあるアカウント検出など、幅広い応用がある。以前の研究では、単一の拡散シーケンスのコンテキストを活用するか、情報拡散予測にユーザー間のソーシャルネットワークを使うことに集中していた。しかし、異なるメッセージの拡散経路は自然に動的拡散グラフを構成する。ひとつは、拡散過程の複雑さをモデル化するには不十分であり、不満足な予測性能をもたらすソーシャルネットワークと拡散グラフの両方を併用することができないことである。また、ユーザの動的好みを学習することはできない。直感的には、時間が経つにつれてユーザの好みが変わり、ユーザの個人的な好みが、ユーザが情報を再投稿するかどうかを判断する。したがって,情報拡散予測におけるユーザの動的嗜好を考えることは有益である。本稿では,ソーシャルグラフと動的拡散グラフの構造特性を協調的に学習する,新しい動的不均一グラフ畳み込みネットワーク(DyHGCN)を提案する。そして,その時間情報を不均一グラフにエンコードし,ユーザの動的嗜好を学習する。最後に,情報拡散予測作業を容易にするために,現在の拡散経路の文脈依存性を捉えるために,マルチヘッドアテンションを適用した。実験の結果,DyHGCNは3つの公開データセット上で最先端モデルよりも有意に優れており,提案モデルの有効性を示している。

関連論文リスト

Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文参考訳（メタデータ） (2024-11-20T00:43:32Z)
Cross-Domain Graph Data Scaling: A Showcase with Diffusion Models [32.46165651743604]
拡散モデル上に構築された普遍グラフ構造拡張器UniAugを提案する。まず、各領域にまたがる数千のグラフ上の離散拡散モデルを事前学習し、グラフ構造パターンを学習する。下流相では,事前学習拡散モデルの助けを借りて,グラフ構造拡張を施すことにより適応的な拡張を提供する。
論文参考訳（メタデータ） (2024-06-04T02:04:09Z)
R-ODE: Ricci Curvature Tells When You Will be Informed [20.832255496918368]
情報拡散予測は、オンラインソーシャルネットワークの構造と組織を理解するのに不可欠である。本稿では,RODE(Ricci-curvature Regulation Ordinary Equation)を提案する。 R-ODEのパーソナライズされた時間予測能力を評価し,RODE-が最先端のベースラインを上回っていることを示す。
論文参考訳（メタデータ） (2024-05-27T15:46:52Z)
Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文参考訳（メタデータ） (2024-01-17T07:58:18Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
Out-of-Distribution Generalized Dynamic Graph Neural Network with Disentangled Intervention and Invariance Promotion [61.751257172868186]
動的グラフニューラルネットワーク(DyGNN)は、グラフと時間力学を利用して強力な予測能力を実証している。既存のDyGNNは、動的グラフに自然に存在する分散シフトを処理できない。
論文参考訳（メタデータ） (2023-11-24T02:42:42Z)
Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文参考訳（メタデータ） (2023-10-10T08:40:47Z)
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文参考訳（メタデータ） (2022-04-18T09:25:06Z)
Learning Representation over Dynamic Graph using Aggregation-Diffusion Mechanism [4.729833950299859]
本稿では,アグリゲーション・ディフュージョン(AD)機構を提案する。動的リンク予測タスクにおける2つの実世界のデータセットの実験において、ADメカニズムは情報を伝達するために集約のみを使用するベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2021-06-03T08:25:42Z)
Independent Asymmetric Embedding Model for Cascade Prediction on Social Network [0.49269463638915806]
Cascade予測は、メッセージをソーシャルネットワークに再投稿する可能性のある個人を予測することを目的としています。カスケード予測のための社会的埋め込み学習のための独立な非対称埋め込み法を提案する。
論文参考訳（メタデータ） (2021-05-18T05:40:38Z)

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。