論文の概要: Simulating User-Level Twitter Activity with XGBoost and Probabilistic
Hybrid Models
- arxiv url: http://arxiv.org/abs/2202.08964v1
- Date: Fri, 18 Feb 2022 02:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 14:53:33.418466
- Title: Simulating User-Level Twitter Activity with XGBoost and Probabilistic
Hybrid Models
- Title(参考訳): XGBoostと確率ハイブリッドモデルによるユーザレベルTwitter活動のシミュレーション
- Authors: Fred Mubang and Lawrence Hall
- Abstract要約: The Volume-Audience-Match simulator was applied to predict future activities on Twitter related to international economic Affairs。
VAMは、時系列およびユーザ割り当てタスクの両方において、ベースラインモデルのセットを大幅に上回った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Volume-Audience-Match simulator, or VAM was applied to predict future
activity on Twitter related to international economic affairs. VAM was applied
to do timeseries forecasting to predict the: (1) number of total activities,
(2) number of active old users, and (3) number of newly active users over the
span of 24 hours from the start time of prediction. VAM then used these volume
predictions to perform user link predictions. A user-user edge was assigned to
each of the activities in the 24 future timesteps. VAM considerably
outperformed a set of baseline models in both the time series and
user-assignment tasks
- Abstract(参考訳): ボリューム・オーディエンス・マッチシミュレーター(VAM)は、国際経済に関するTwitterの今後の活動を予測するために用いられた。
vamを時系列予測に応用し,(1)活動総数,(2)アクティブユーザ数,(3)新規アクティブユーザ数を予測開始時刻から24時間以内に予測した。
VAMは、これらのボリューム予測を使用して、ユーザリンク予測を実行した。
ユーザ・ユーザ・エッジは、24の将来のステップの各アクティビティに割り当てられた。
VAMは時系列およびユーザ割り当てタスクの両方において、ベースラインモデルのセットを大幅に上回った
関連論文リスト
- A Nonparametric Bayes Approach to Online Activity Prediction [11.934335703226404]
特定の期間にアクティブになるユーザ数を予測するための新しい手法を提案する。
所定の期間に期待される新規ユーザ数に対するクローズドフォーム表現と,所望のユーザ数を達成するために必要な日数の後部分布を目標としたモンテカルロアルゴリズムを導出する。
論文 参考訳(メタデータ) (2024-01-26T09:11:42Z) - Analyzing Key Users' behavior trends in Volunteer-Based Networks [0.0]
近年,ボランティア型ソーシャルネットワークにおけるボランティアの行動に関する研究が盛んに行われている。
2つの新しいアルゴリズムを開発し、第1は時間とともに重要なユーザー行動パターンを明らかにし、第2は予測モデルを生成する機械学習手法を利用する。
当社のアルゴリズムを評価するために、P2Pフードシェアリングオンラインプラットフォーム上で、240万人以上のユーザーからのデータを利用した。
論文 参考訳(メタデータ) (2023-10-04T06:42:21Z) - AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting [80.14147131520556]
AutoGluon-TimeSeriesは、確率的時系列予測のためのオープンソースのAutoMLライブラリである。
3行のPythonコードで正確なポイントと量子予測を生成する。
論文 参考訳(メタデータ) (2023-08-10T13:28:59Z) - DisenHCN: Disentangled Hypergraph Convolutional Networks for
Spatiotemporal Activity Prediction [53.76601630407521]
本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。
特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。
次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
論文 参考訳(メタデータ) (2022-08-14T06:51:54Z) - PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。
従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。
その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
論文 参考訳(メタデータ) (2022-05-09T18:26:51Z) - Who will stay? Using Deep Learning to predict engagement of citizen
scientists [79.9502177222504]
我々は,スウェーデンの海洋プロジェクトにおける市民科学者の関与を予測するために,ディープニューラルネットワークモデルを構築した。
結果に基づいて、将来のセッションでアノテータがアクティブになるかどうかを予測することができる。
私たちのモデルは、Deep Neural Networksの使用とボランティアアノテーションのシーケンスにあります。
論文 参考訳(メタデータ) (2022-04-28T13:27:21Z) - 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) - Multi-Interactive Attention Network for Fine-grained Feature Learning in
CTR Prediction [48.267995749975476]
クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。
既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。
マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
論文 参考訳(メタデータ) (2020-12-13T05:46:19Z) - VEST: Automatic Feature Engineering for Forecasting [3.9747898273716697]
時系列の過去のダイナミクスを要約した統計を用いた自動回帰プロセスの拡張について検討する。
提案手法は3つの主要なステップで機能する。第1に,最近の観測を異なる表現にマッピングする。第2に,各表現を統計関数で要約する。最後に,特徴選択にフィルタを適用する。
論文 参考訳(メタデータ) (2020-10-14T14:54:56Z) - Time-series Imputation and Prediction with Bi-Directional Generative
Adversarial Networks [0.3162999570707049]
本稿では,不規則に観測された時系列データと不規則なエントリを含む長さの時系列データの計算と予測を併用したタスクのモデルを提案する。
我々のモデルは、入力時間ステップ(予測)の内側または外側の欠落した要素をインプットする方法を学び、したがって、時系列データに有効な任意の時間予測ツールとして機能する。
論文 参考訳(メタデータ) (2020-09-18T15:47:51Z) - Group Activity Prediction with Sequential Relational Anticipation Model [28.225918711577314]
不完全な活動実行を伴う初期フレームからグループアクティビティを予測する新しい手法を提案する。
グループ活動予測では,人々の活動と時間的位置との関係は,グループ活動を予測する上で重要な手がかりとなる。
本モデルは,グループ活動予測のための識別的グループ表現を学習することを目的として,2つのグラフオートエンコーダによる活動特徴と位置の両方を明示的に予測する。
論文 参考訳(メタデータ) (2020-08-06T03:17:14Z)
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。