論文の概要: Choice-Aware User Engagement Modeling andOptimization on Social Media
- arxiv url: http://arxiv.org/abs/2104.00801v1
- Date: Thu, 1 Apr 2021 23:31:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 22:58:29.395115
- Title: Choice-Aware User Engagement Modeling andOptimization on Social Media
- Title(参考訳): ソーシャルメディアにおけるユーザエンゲージメントのモデル化と最適化
- Authors: Saketh Reddy Karra and Theja Tulabandhula
- Abstract要約: エンゲージメント予測タスクをマルチラベル分類問題として定式化する。
本論文では,ユーザエンゲージメント履歴を組み込んだニューラルネットワークアーキテクチャを提案し,その状況に応じて選択条件を予測する。
提案するツイートがエンゲージメントの成果に与える影響について,適切なスイート最適化問題を解くことにより検討する。
- 参考スコア(独自算出の注目度): 0.9944647907864257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We address the problem of maximizing user engagement with content (in the
form of like, reply, retweet, and retweet with comments)on the Twitter
platform. We formulate the engagement forecasting task as a multi-label
classification problem that captures choice behavior on an unsupervised
clustering of tweet-topics. We propose a neural network architecture that
incorporates user engagement history and predicts choice conditional on this
context. We study the impact of recommend-ing tweets on engagement outcomes by
solving an appropriately defined sweet optimization problem based on the
proposed model using a large dataset obtained from Twitter.
- Abstract(参考訳): 我々は、twitterプラットフォーム上のコンテンツ(like、reply、retweet、retweetなど)に対するユーザーのエンゲージメントを最大化する問題に対処する。
ツイートトピックの教師なしクラスタリングにおける選択行動を捉えるマルチラベル分類問題として,エンゲージメント予測タスクを定式化する。
本稿では,ユーザのエンゲージメント履歴を組み込んだニューラルネットワークアーキテクチャを提案する。
本研究では,提案モデルに基づくスイート最適化問題に対して,twitterから得られた大規模データセットを用いて適切に定義された解法を用いて,ツイートの推薦がエンゲージメントの成果に与える影響について検討する。
関連論文リスト
- Causal Structure Representation Learning of Confounders in Latent Space
for Recommendation [6.839357057621987]
ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。
我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
論文 参考訳(メタデータ) (2023-11-02T08:46:07Z) - 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) - Context-Based Tweet Engagement Prediction [0.0]
この論文は、ツイートのエンゲージメントの可能性を予測するために、コンテキスト単独がいかにうまく使われるかを調査する。
私たちはTU WienのLittle Big Data ClusterにSparkエンジンを使用して、スケーラブルなデータ前処理、機能エンジニアリング、機能選択、マシンラーニングパイプラインを作成しました。
また, 予測アルゴリズム, トレーニングデータセットサイズ, トレーニングデータセットサンプリング手法, 特徴選択などの因子が, 結果に有意な影響を及ぼすことがわかった。
論文 参考訳(メタデータ) (2023-09-28T08:36:57Z) - Towards Detecting Inauthentic Coordination in Twitter Likes Data [0.0]
ユーザーはカスタムに、品質と権威の中立的なプロキシとして、いいね!などのエンゲージメントのメトリクスを取る。
これは、操作のようなインセンティブを、*コーディネートされた非正当性行動*(CIB)を通じて、世論に影響を与える。
いいね!をターゲットとしたCIBは、ユーザの好みの行動に関する適切なデータを集めることは簡単ではないため、ほとんど研究されていない。
本稿は,Twitterから適切な嗜好データを集めるためのスクリプトアルゴリズムと,デンマークの政治ツイッタースフィア#dkpolからの好意データを集めた30日間のデータセットをコントリビュートする。
論文 参考訳(メタデータ) (2023-05-12T11:24:26Z) - Detecting Political Opinions in Tweets through Bipartite Graph Analysis:
A Skip Aggregation Graph Convolution Approach [9.350629400940493]
私たちは2020年の米国大統領選挙に集中し、Twitterから大規模なデータセットを作成します。
ツイート中の政治的意見を検出するために,ユーザの投稿行動とリツイート行動に基づいて,ユーザツイートの2部グラフを構築した。
ツイートノードに2階隣人からの情報を集約する新しいスキップアグリゲーション機構を導入する。
論文 参考訳(メタデータ) (2023-04-22T10:38:35Z) - 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) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳(メタデータ) (2022-04-02T03:23:46Z) - Locate Who You Are: Matching Geo-location to Text for Anchor Link
Prediction [40.654494490237]
ネットワーク間のユーザマッチングのための新しいアンカーリンク予測フレームワークを提案する。
提案手法は既存の手法より優れ,最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-04-19T08:15:28Z) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-09-14T08:44:46Z) - Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline [47.434392695347924]
ACM RecSysが主催するRecSys 2020 Challengeは、このデータセットを使用してTwitterと提携している。
本稿では,ユーザエンゲージメントを予測しようとする研究者や専門家が直面する課題について述べる。
論文 参考訳(メタデータ) (2020-04-28T23:54:33Z) - Improving Multi-Turn Response Selection Models with Complementary
Last-Utterance Selection by Instance Weighting [84.9716460244444]
我々は、データリソース自体の根底にある相関を利用して、異なる種類の監視信号を導出することを検討する。
2つの公開データセットで広範な実験を行い、両方のデータセットで大幅に改善した。
論文 参考訳(メタデータ) (2020-02-18T06:29:01Z)
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。