論文の概要: Modeling Collective Anticipation and Response on Wikipedia
- arxiv url: http://arxiv.org/abs/2105.10900v1
- Date: Sun, 23 May 2021 09:51:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 01:19:40.285063
- Title: Modeling Collective Anticipation and Response on Wikipedia
- Title（参考訳）: Wikipediaにおける集合予測と応答のモデル化
- Authors: Ryota Kobayashi, Patrick Gildersleve, Takeaki Uno and Renaud Lambiotte
- Abstract要約: 本研究では,概日リズムとともに,予測的成長と集団的注意の崩壊といった重要な特徴を取り入れ,人気ピーク周辺のダイナミクスを記述するモデルを提案する。
我々の研究は、注意の時間的パターンとそれらが表す事象の特徴的基盤情報との関連性だけでなく、集合的注意のすべてのフェーズを適切にモデル化することの重要性を示す。
- 参考スコア（独自算出の注目度）: 1.299941371793082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The dynamics of popularity in online media are driven by a combination of
endogenous spreading mechanisms and response to exogenous shocks including news
and events. However, little is known about the dependence of temporal patterns
of popularity on event-related information, e.g. which types of events trigger
long-lasting activity. Here we propose a simple model that describes the
dynamics around peaks of popularity by incorporating key features, i.e., the
anticipatory growth and the decay of collective attention together with
circadian rhythms. The proposed model allows us to develop a new method for
predicting the future page view activity and for clustering time series. To
validate our methodology, we collect a corpus of page view data from Wikipedia
associated to a range of planned events, that are events which we know in
advance will have a fixed date in the future, such as elections and sport
events. Our methodology is superior to existing models in both prediction and
clustering tasks. Furthermore, restricting to Wikipedia pages associated to
association football, we observe that the specific realization of the event, in
our case which team wins a match or the type of the match, has a significant
effect on the response dynamics after the event. Our work demonstrates the
importance of appropriately modeling all phases of collective attention, as
well as the connection between temporal patterns of attention and
characteristic underlying information of the events they represent.
- Abstract（参考訳）: オンラインメディアの人気のダイナミクスは、内因性拡散機構と、ニュースやイベントを含む外因性ショックに対する反応の組み合わせによって引き起こされる。
しかし、イベント関連情報(例えば、どのイベントが長期活動を引き起こすかなど)に対する人気パターンの時間的依存についてはほとんど分かっていない。
本稿では, 概日リズムとともに, 予測的成長と集団的注意の減衰という重要な特徴を取り入れ, 人気のピーク前後のダイナミクスを記述する簡易モデルを提案する。
提案モデルにより,将来のページビューアクティビティやクラスタリング時系列を予測できる新しい手法の開発が可能となった。
提案手法を検証するために,wikipediaのページビューデータのコーパスを収集し,今後の選挙やスポーツイベントなど,事前に分かっているイベントが一定の日程を持つようにした。
我々の方法論は予測とクラスタリングの両方において既存のモデルよりも優れている。
さらに,アソシエーションフットボールに関連するウィキペディアのページに制限を加えることで,このイベントの具体的実現が,試合に勝つチームや試合のタイプにおいて,イベント後の反応ダイナミクスに大きな影響を及ぼすことが明らかとなった。
我々の研究は、注意の時間的パターンとそれらが表す事象の特徴的基盤情報との関連性だけでなく、集合的注意のすべてのフェーズを適切にモデル化することの重要性を示す。
関連論文リスト
- HIP Network: Historical Information Passing Network for Extrapolation
Reasoning on Temporal Knowledge Graph [14.832067253514213]
今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。
本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。
5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
論文 参考訳（メタデータ） (2024-02-19T11:50:30Z) - Interacting Diffusion Processes for Event Sequence Forecasting [20.380620709345898]
拡散生成モデルを組み込んだ新しい手法を提案する。
このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。
提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-26T22:17:25Z) - Continual Event Extraction with Semantic Confusion Rectification [50.59450741139265]
本研究では, 連続イベント抽出法について検討し, 忘れることを避けつつ, 間欠的に出現するイベント情報を抽出することを目的とした。
イベントタイプに関するセマンティックな混乱は、時間とともに更新される同じテキストのアノテーションに由来することを観察する。
本稿では,意味的混乱を是正した新しい連続イベント抽出モデルを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:48:50Z) - Enhancing Asynchronous Time Series Forecasting with Contrastive
Relational Inference [21.51753838306655]
時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。
既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。
本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
論文 参考訳（メタデータ） (2023-09-06T09:47:03Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - Summary Markov Models for Event Sequences [23.777457032885813]
我々は,意味のあるタイムスタンプを使わずに,異なる種類のイベントのシーケンスのモデル群を提案する。
イベントタイプを観測する確率は、そのイベントタイプの影響するセットの歴史的発生の要約にのみ依存する。
興味のあるイベントの種類や要約関数の選択には、一意に最小限の影響セットが存在することを示す。
論文 参考訳（メタデータ） (2022-05-06T17:16:24Z) - Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。
我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
論文 参考訳（メタデータ） (2021-06-17T08:08:11Z) - Dynamic Hawkes Processes for Discovering Time-evolving Communities'
States behind Diffusion Processes [57.22860407362061]
拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。
提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
論文 参考訳（メタデータ） (2021-05-24T08:35:48Z) - Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。
有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。
我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
論文 参考訳（メタデータ） (2020-11-02T02:03:07Z) - History Repeats Itself: Human Motion Prediction via Motion Attention [81.94175022575966]
注意に基づくフィードフォワードネットワークを導入し、人間の動きが自分自身を繰り返す傾向にあるという観察を明示的に活用する。
特に,現在動きのコンテキストと過去の動きのサブシーケンスの類似性を捉えるために,動きの注意を抽出することを提案する。
我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を実証した。
論文 参考訳（メタデータ） (2020-07-23T02:12:27Z) - Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs [38.56057203198837]
ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。
本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークスニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-03-30T12:56:50Z)
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。