Fugu-MT 論文翻訳(概要): Simulating User-Level Twitter Activity with XGBoost and Probabilistic Hybrid Models

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

Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文参考訳（メタデータ） (2024-11-22T15:29:05Z)
New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
新規ユーザのための新しい離散イベント予測フレームワークを提案する。提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
論文参考訳（メタデータ） (2024-07-08T05:35:54Z)
USE: Dynamic User Modeling with Stateful Sequence Models [26.74966828348815]
User Stateful Embedding (USE)は、徹底的な再処理を必要とせずに、ユーザ埋め込みを生成する。我々は,次世代の予測の限界を超越するために,将来のW行動予測という新たな訓練目標を導入する。静的(固定されたユーザ行動シーケンス)および動的(定期的に更新されたユーザ行動シーケンス)設定の両方で、Snapchatユーザーの行動ログを使用して、8つの下流タスクで実験を行う。
論文参考訳（メタデータ） (2024-03-20T07:05:19Z)
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)
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)
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)
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。