論文の概要: Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks

• arxiv url: http://arxiv.org/abs/2109.09190v1
• Date: Sun, 19 Sep 2021 18:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 08:38:44.260566
• Title: Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks
• Title（参考訳）: オンラインソーシャルネットワークにおけるリンク予測のためのegoネットワークレイヤのパワー活用
• Authors: Mustafa Toprak, Chiara Boldrini, Andrea Passarella, Marco Conti
• Abstract要約: 予測は典型的には教師なしまたは教師なしの学習に基づいている。 個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。 社会的認識が予測性能に大きな改善をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 0.734084539365505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Being able to recommend links between users in online social networks is important for users to connect with like-minded individuals as well as for the platforms themselves and third parties leveraging social media information to grow their business. Predictions are typically based on unsupervised or supervised learning, often leveraging simple yet effective graph topological information, such as the number of common neighbors. However, we argue that richer information about personal social structure of individuals might lead to better predictions. In this paper, we propose to leverage well-established social cognitive theories to improve link prediction performance. According to these theories, individuals arrange their social relationships along, on average, five concentric circles of decreasing intimacy. We postulate that relationships in different circles have different importance in predicting new links. In order to validate this claim, we focus on popular feature-extraction prediction algorithms (both unsupervised and supervised) and we extend them to include social-circles awareness. We validate the prediction performance of these circle-aware algorithms against several benchmarks (including their baseline versions as well as node-embedding- and GNN-based link prediction), leveraging two Twitter datasets comprising a community of video gamers and generic users. We show that social-awareness generally provides significant improvements in the prediction performance, beating also state-of-the-art solutions like node2vec and SEAL, and without increasing the computational complexity. Finally, we show that social-awareness can be used in place of using a classifier (which may be costly or impractical) for targeting a specific category of users.
• Abstract（参考訳）: オンラインソーシャルネットワークにおけるユーザー間のリンクを推薦できることは、ユーザーが同志の個人とつながり、プラットフォーム自体やサードパーティーがソーシャルメディア情報を活用してビジネスを成長させる上で重要である。 予測は一般に教師なしの学習や教師なしの学習に基づいており、しばしば普通の隣人数のような単純で効果的なグラフトポロジー情報を活用する。 しかし、個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと論じる。 本稿では,確立された社会的認知理論を活用し,リンク予測の性能を向上させることを提案する。 これらの理論によれば、個人は平均して5つの同心円に沿って社会的関係を配置し、親密性を減少させる。 異なるサークルにおける関係は、新しいリンクを予測する上で異なる重要性を持つと仮定する。 この主張を検証するために、一般的な特徴抽出予測アルゴリズム(教師なしと教師なしの両方)に注目し、社会循環認識を含むように拡張する。 我々は,これらのサークル認識アルゴリズムの予測性能を,複数のベンチマーク(ベースラインバージョン,ノード埋め込みおよびGNNベースのリンク予測を含む)に対して検証し,ビデオゲーマーとジェネリックユーザからなる2つのTwitterデータセットを活用する。 また,node2vec や seal のような最先端のソリューションを上回り,計算の複雑さを増すことなく,ソーシャルアウェアネスによって予測性能が大幅に向上することを示した。 最後に,ソーシャル・アウェアネスは,特定のカテゴリを対象とする分類器(費用がかかるか実用的でないか)の代わりに利用できることを示す。

関連論文リスト

• Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
  本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。 グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。 提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
  論文  参考訳（メタデータ） (2024-10-06T17:03:27Z)
• Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
  ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。 既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。 本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T02:45:01Z)
• 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)
• Networked Inequality: Preferential Attachment Bias in Graph Neural Network Link Prediction [44.00932300499947]
  ネットワークの度合いバイアスがグラフ畳み込みネットワーク(GCN)のリンク予測に与える影響について検討する。 対称正規化グラフフィルタを持つGCNは、群内優先アタッチメントバイアスを有する。 本稿では,ソーシャルグループ内のリンク予測スコアの相違を定量化する,グループ内公正度尺度を提案する。
  論文  参考訳（メタデータ） (2023-09-29T17:26:44Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• GCN-ALP: Addressing Matching Collisions in Anchor Link Prediction [40.811988657941946]
  問題のtextitanchorリンク予測は、ソーシャルネットワーク全体のユーザープロファイル、コンテンツ、ネットワーク構造上の共通の根拠とユーザーデータをリンクするために形式化されます。 マッチンググラフ上でのアンカーリンク予測を効率的に解く、ミニバッチ戦略によるグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-19T02:41:55Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• ALPINE: Active Link Prediction using Network Embedding [20.976178936255927]
  ネットワーク埋め込みに基づくリンク予測のための ALPINE (Active Link Prediction usIng Network Embedding) を提案する。 ALPINEは拡張性があり、より少ないクエリでリンク予測精度を向上させる。
  論文  参考訳（メタデータ） (2020-02-04T11:09:03Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。