論文の概要: Independent Asymmetric Embedding Model for Cascade Prediction on Social Network

• arxiv url: http://arxiv.org/abs/2105.08291v1
• Date: Tue, 18 May 2021 05:40:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 23:40:31.321915
• Title: Independent Asymmetric Embedding Model for Cascade Prediction on Social Network
• Title（参考訳）: ソーシャルネットワーク上のカスケード予測のための独立非対称埋め込みモデル
• Authors: Wenjin Xie and Xiaomeng Wang and Tao Jia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.49269463638915806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prediction for information diffusion on social networks has great practical significance in marketing and public opinion control. Cascade prediction aims to predict the individuals who will potentially repost the message on the social network. One kind of methods either exploit demographical, structural, and temporal features for prediction, or explicitly rely on particular information diffusion models. The other kind of models are fully data-driven and do not require a global network structure. Thus massive diffusion prediction models based on network embedding are proposed. These models embed the users into the latent space using their cascade information, but are lack of consideration for the intervene among users when embedding. In this paper, we propose an independent asymmetric embedding method to learn social embedding for cascade prediction. Different from existing methods, our method embeds each individual into one latent influence space and multiple latent susceptibility spaces. Furthermore, our method captures the co-occurrence regulation of user combination in cascades to improve the calculating effectiveness. The results of extensive experiments conducted on real-world datasets verify both the predictive accuracy and cost-effectiveness of our approach.
• Abstract（参考訳）: ソーシャルネットワーク上での情報拡散の予測は,マーケティングや世論管理において極めて重要な意味を持つ。 カスケード予測は、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る。 ある種類の手法は、人口統計学的、構造的、時間的特徴を予測に利用するか、特定の情報拡散モデルに明示的に依存する。 他のモデルは完全にデータ駆動であり、グローバルネットワーク構造を必要としない。 そこで,ネットワーク埋め込みに基づく大規模拡散予測モデルを提案する。 これらのモデルは、ユーザをカスケード情報を使用して潜在空間に埋め込むが、埋め込み時のユーザ間の介入に対する考慮が欠如している。 本稿では,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。 既存の手法と異なり、各個体を1つの潜伏影響空間と複数の潜伏感受性空間に埋め込む。 さらに,提案手法は,カスケード内のユーザ組み合わせの共起制御を捕捉し,計算効率を向上する。 実世界のデータセット上で行った広範な実験の結果は、予測精度とコスト効率の両方を検証できた。

関連論文リスト

• Enhancing Traffic Prediction with Textual Data Using Large Language Models [0.0]
  本研究では,地域レベルとノードレベルの2つのシナリオについて検討した。 地域レベルのシナリオでは、テキスト情報はネットワーク全体に接続されたノードとして表現される。 ノードレベルのシナリオでは、大きなモデルからの埋め込みは、対応するノードにのみ接続された追加ノードを表す。 提案手法は,New York Bike データセットによる予測精度の大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-05-10T03:14:26Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• 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 from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• HYPER: Learned Hybrid Trajectory Prediction via Factored Inference and Adaptive Sampling [27.194900145235007]
  本稿では,汎用的で表現力豊かなハイブリッド予測フレームワークHYPERを紹介する。 トラヒックエージェントをハイブリッドな離散連続システムとしてモデル化することにより、我々のアプローチは時間とともに離散的な意図の変化を予測することができる。 我々は、Argoverseデータセット上でモデルをトレーニングし、検証し、その効果を包括的アブレーション研究と最先端モデルとの比較を通して実証する。
  論文  参考訳（メタデータ） (2021-10-05T20:20:10Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
  本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。 本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。 学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2020-07-13T17:58:21Z)
• 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。