論文の概要: CasGCN: Predicting future cascade growth based on information diffusion graph

• arxiv url: http://arxiv.org/abs/2009.05152v1
• Date: Thu, 10 Sep 2020 21:20:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 04:11:44.065432
• Title: CasGCN: Predicting future cascade growth based on information diffusion graph
• Title（参考訳）: CasGCN:情報拡散グラフに基づく将来のカスケード成長予測
• Authors: Zhixuan Xu, Minghui Qian, Xiaowei Huang, and Jie Meng
• Abstract要約: 本稿ではカスケード成長予測のための新しいディープラーニングアーキテクチャCasGCNを提案する。 グラフ畳み込みネットワークを用いてグラフィカルな入力から構造的特徴を抽出し、次にアテンション機構を適用する。 2つの実世界のカスケード成長予測シナリオについて実験を行った。
• 参考スコア（独自算出の注目度）: 5.925905552955426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sudden bursts of information cascades can lead to unexpected consequences such as extreme opinions, changes in fashion trends, and uncontrollable spread of rumors. It has become an important problem on how to effectively predict a cascade' size in the future, especially for large-scale cascades on social media platforms such as Twitter and Weibo. However, existing methods are insufficient in dealing with this challenging prediction problem. Conventional methods heavily rely on either hand crafted features or unrealistic assumptions. End-to-end deep learning models, such as recurrent neural networks, are not suitable to work with graphical inputs directly and cannot handle structural information that is embedded in the cascade graphs. In this paper, we propose a novel deep learning architecture for cascade growth prediction, called CasGCN, which employs the graph convolutional network to extract structural features from a graphical input, followed by the application of the attention mechanism on both the extracted features and the temporal information before conducting cascade size prediction. We conduct experiments on two real-world cascade growth prediction scenarios (i.e., retweet popularity on Sina Weibo and academic paper citations on DBLP), with the experimental results showing that CasGCN enjoys a superior performance over several baseline methods, particularly when the cascades are of large scale.
• Abstract（参考訳）: 情報カスケードの突然の爆発は、極端な意見、ファッショントレンドの変化、そして制御不能な噂の拡散など、予期せぬ結果をもたらす可能性がある。 将来,特にtwitterやweiboといったソーシャルメディアプラットフォーム上での大規模カスケードにおいて,カスケードのサイズを効果的に予測する方法の重要な問題となっている。 しかし、この挑戦的な予測問題に対処するには既存の手法が不十分である。 従来の手法は手作りの特徴や非現実的な仮定に大きく依存している。 リカレントニューラルネットワークのようなエンドツーエンドのディープラーニングモデルは、グラフィカルな入力を直接扱うのには適しておらず、カスケードグラフに埋め込まれた構造情報を処理できない。 本稿では,カスケード成長予測のための新しいディープラーニングアーキテクチャであるCasGCNを提案し,グラフ畳み込みネットワークを用いてグラフィカルな入力から構造的特徴を抽出し,次にカスケードサイズ予測を行う前に,抽出した特徴と時間的情報の両方に注意機構を適用する。 本研究では,2つの実世界のカスケード成長予測シナリオ(Sina Weiboのリツイート人気とDBLPの学術論文引用)について実験を行い,特にカスケードが大規模である場合に,CasGCNが複数のベースライン手法よりも優れた性能を示すことを示した。

関連論文リスト

• Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks [51.54002032659713]
  カスケード予測のための階層型情報拡張ネットワーク(HIENet)を提案する。 本手法では,基本カスケードシーケンス,ユーザソーシャルグラフ,サブカスケードグラフを統合フレームワークに統合する。
  論文  参考訳（メタデータ） (2024-03-22T14:57:27Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades [25.564185461383655]
  情報カスケードの人気予測は、偽ニュースの特定や正確なレコメンデーションなど、多くのアプリケーションにとって重要である。 従来の機能ベースのメソッドは、ドメイン固有であり、新しいドメインへの一般化性に欠ける手作りの機能に依存している。 動的グラフモデリング手法を用いて,カスケードグラフ全体で動作するカスケード人気予測 (HierCas) のための階層型時間グラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T01:55:10Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• 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)
• Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency [3.3497820777154614]
  我々は、TAN-DRUD (Topology-aware Attention Networks with Dual Role User Dependency) という名前の非シーケンス情報カスケードモデルを提案する。 TAN-DRUDは、情報送信者と受信者の二重ロールユーザ依存性をキャプチャすることで、情報カスケードモデリングにおける良好な性能を得る。 3つのカスケードデータセットに対する実験により、我々のモデルは最先端のカスケードモデルよりも優れているだけでなく、トポロジー情報を利用して拡散木を推定できることを示した。
  論文  参考訳（メタデータ） (2022-04-07T14:26:33Z)
• Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals [30.959353518914366]
  カスケードデータの2つの重要な時間的信号が,我々の知識に強調されていないか報告されていない。 本稿では,時間的パラメトリック関数として新しいカスケード成長モデルであるGammaCasを提案する。 具体的には、その状態がカスケードレート関数のパラメータを提供する、カスタマイズされたリカレントネットワークを介してこれらの信号を処理する。
  論文  参考訳（メタデータ） (2021-06-13T14:44:36Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks [0.0]
  我々は,Long-Short Term Memory (LSTM) ニューラルネットワーク技術を用いて,情報カスケードの2時間特性を予測する。 本手法により,情報発信装置の分類精度は73%以上,早期送信装置の分類精度は83%以上となる。
  論文  参考訳（メタデータ） (2020-04-26T13:17:24Z)
• Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
  本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。 本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。 実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2020-01-18T13:32:18Z)

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。