論文の概要: Twitter User Representation using Weakly Supervised Graph Embedding

• arxiv url: http://arxiv.org/abs/2108.08988v1
• Date: Fri, 20 Aug 2021 03:54:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:39:43.389082
• Title: Twitter User Representation using Weakly Supervised Graph Embedding
• Title（参考訳）: 弱い修正グラフ埋め込みを用いたTwitterユーザ表現
• Authors: Tunazzina Islam, Dan Goldwasser
• Abstract要約: ユーザタイプを理解するための弱い教師付きグラフ埋め込みベースのフレームワークを提案する。 我々は,Twitterのツイートに対する弱い監督力を用いて学習したユーザ埋め込みを評価した。 実世界のデータセットの実験では、提案されたフレームワークがユーザタイプを検出するベースラインを上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 29.89122455417348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media platforms provide convenient means for users to participate in multiple online activities on various contents and create fast widespread interactions. However, this rapidly growing access has also increased the diverse information, and characterizing user types to understand people's lifestyle decisions shared in social media is challenging. In this paper, we propose a weakly supervised graph embedding based framework for understanding user types. We evaluate the user embedding learned using weak supervision over well-being related tweets from Twitter, focusing on 'Yoga', 'Keto diet'. Experiments on real-world datasets demonstrate that the proposed framework outperforms the baselines for detecting user types. Finally, we illustrate data analysis on different types of users (e.g., practitioner vs. promotional) from our dataset. While we focus on lifestyle-related tweets (i.e., yoga, keto), our method for constructing user representation readily generalizes to other domains.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、ユーザーが様々なコンテンツ上で複数のオンライン活動に参加するための便利な手段を提供する。 しかし、この急激なアクセスは多様な情報を増やし、ソーシャルメディアで共有される人々のライフスタイル決定を理解するために、ユーザータイプを特徴付けることは困難である。 本稿では,ユーザタイプを理解するための弱い教師付きグラフ埋め込みベースフレームワークを提案する。 本研究では,Twitterの「ヨガ」や「ケトダイエット」に焦点をあてて,Twitterのツイートに対して弱い監督力を用いて学習したユーザ埋め込みを評価する。 実世界のデータセットの実験では、提案されたフレームワークがユーザタイプを検出するベースラインを上回っている。 最後に、データセットから異なるタイプのユーザ(例えば、実践者対プロモーション)のデータ分析について説明する。 ライフスタイル関連のツイート(ヨガ、ケトなど)に集中しながら、ユーザ表現の構築方法は、他のドメインに容易に一般化します。

関連論文リスト

• Do We Trust What They Say or What They Do? A Multimodal User Embedding Provides Personalized Explanations [35.77028281332307]
  ソーシャルネットワークのためのコントリビューション対応マルチモーダルユーザ埋め込み(CAMUE)を提案する。 提案手法は,信頼できない情報の影響を自動的に軽減し,パーソナライズ可能な予測を提供する。 私たちの仕事は、より説明しやすく、信頼性があり、効果的なソーシャルメディアユーザー埋め込みの道を開く。
  論文  参考訳（メタデータ） (2024-09-04T02:17:32Z)
• SoMeR: Multi-View User Representation Learning for Social Media [1.7949335303516192]
  本稿では,ソーシャルメディアのユーザ表現学習フレームワークであるSoMeRを提案する。 SoMeRは、ユーザ投稿ストリームをタイムスタンプ付きテキスト機能のシーケンスとしてエンコードし、トランスフォーマーを使用してプロファイルデータと共にそれを埋め込み、リンク予測とコントラスト学習の目標を共同でトレーニングする。 1)類似コンテンツを同時に投稿するユーザを検出することによって、協調的な影響操作に関わる不正確なアカウントを同定し、2)異なる信念を持つユーザがより遠くへ移動する様子を定量化して、主要なイベント後のオンライン議論における偏光の増大を測定する。
  論文  参考訳（メタデータ） (2024-05-02T22:26:55Z)
• DIGMN: Dynamic Intent Guided Meta Network for Differentiated User Engagement Forecasting in Online Professional Social Platforms [32.70471436337077]
  ユーザエンゲージメントパターンの違いの大きな理由は、ユーザが異なる意図を持っていることだ。 本稿では動的ガイドメタネットワーク(DIGMN)を提案する。 我々の手法は最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2022-10-22T09:57:27Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• Analysis of Twitter Users' Lifestyle Choices using Joint Embedding Model [29.89122455417348]
  本論文では,ユーザのソーシャル情報とテキスト情報を組み込んで,コンテキスト化されたユーザ表現を学習する共同埋め込みモデルを提案する。 本研究では,「ヨガ」と「ケトダイエット」という2つのライフスタイル活動に関連するつぶやきにモデルを適用し,ユーザの行動タイプとモチベーションを分析する。
  論文  参考訳（メタデータ） (2021-04-07T15:29:36Z)
• User Factor Adaptation for User Embedding via Multitask Learning [45.56193775870044]
  ユーザ関心をドメインとして扱い、ユーザ言語がどのように異なるかを経験的に検証する。 マルチタスク学習フレームワークを用いて,ユーザの関心の言語変動を考慮したユーザ埋め込みモデルを提案する。 モデルは人間の監督なしにユーザ言語とそのバリエーションを学習する。
  論文  参考訳（メタデータ） (2021-02-22T15:21:01Z)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)
• Do You Do Yoga? Understanding Twitter Users' Types and Motivations using Social and Textual Information [29.89122455417348]
  本研究では,ニューラルネットワークと注意メカニズムの融合に基づく共同埋め込みモデルを提案する。 Twitterの「Yoga」にフォーカスしたウェルビーイング関連ツイートを使っています。
  論文  参考訳（メタデータ） (2020-12-17T00:15:13Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。