論文の概要: Graph Representation Learning for Popularity Prediction Problem: A Survey

• arxiv url: http://arxiv.org/abs/2203.07632v1
• Date: Tue, 15 Mar 2022 04:11:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 16:21:29.190938
• Title: Graph Representation Learning for Popularity Prediction Problem: A Survey
• Title（参考訳）: 人気度予測問題に対するグラフ表現学習 : サーベイ
• Authors: Tiantian Chen, Jianxiong Guo and Weili Wu
• Abstract要約: 本稿では,人気予測問題に対するグラフ表現学習(GRL)手法を用いた既存研究の総合的なレビューを行う。 深層学習は、畳み込みニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワーク、グラフニューラルネットワーク、繰り返しニューラルネットワーク、強化学習の6つの小さなクラスに分類される。
• 参考スコア（独自算出の注目度）: 4.795530213347874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The online social platforms, like Twitter, Facebook, LinkedIn and WeChat, have grown really fast in last decade and have been one of the most effective platforms for people to communicate and share information with each other. Due to the "word of mouth" effects, information usually can spread rapidly on these social media platforms. Therefore, it is important to study the mechanisms driving the information diffusion and quantify the consequence of information spread. A lot of efforts have been focused on this problem to help us better understand and achieve higher performance in viral marketing and advertising. On the other hand, the development of neural networks has blossomed in the last few years, leading to a large number of graph representation learning (GRL) models. Compared to traditional models, GRL methods are often shown to be more effective. In this paper, we present a comprehensive review for existing works using GRL methods for popularity prediction problem, and categorize related literatures into two big classes, according to their mainly used model and techniques: embedding-based methods and deep learning methods. Deep learning method is further classified into six small classes: convolutional neural networks, graph convolutional networks, graph attention networks, graph neural networks, recurrent neural networks, and reinforcement learning. We compare the performance of these different models and discuss their strengths and limitations. Finally, we outline the challenges and future chances for popularity prediction problem.
• Abstract（参考訳）: Twitter、Facebook、LinkedIn、WeChatなどのオンラインソーシャルプラットフォームは、過去10年で非常に急速に成長し、人々が互いに情報を共有し共有するための最も効果的なプラットフォームの一つとなっている。 口の言葉」の影響により、情報は通常これらのソーシャルメディアプラットフォームに急速に拡散する。 そのため,情報拡散のメカニズムを解明し,情報拡散の結果を定量化することが重要である。 バイラルマーケティングと広告における高いパフォーマンスをよりよく理解し、達成するために、この問題に多くの努力が注がれている。 一方で、ニューラルネットワークの開発はここ数年で花開いたので、多数のグラフ表現学習(grl)モデルが誕生した。 従来のモデルと比較して、GRL法はより効果的であることがしばしば示される。 本稿では,grl手法による人気予測問題に対する既存作品の包括的レビューを行い,それらのモデルと手法により関連する文献を2つの大きなクラスに分類する。 深層学習は、畳み込みニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワーク、グラフニューラルネットワーク、繰り返しニューラルネットワーク、強化学習の6つの小さなクラスに分類される。 これらの異なるモデルの性能を比較し,その強みと限界について論じる。 最後に,人気予測問題の課題と今後の可能性について概説する。

関連論文リスト

• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• Fake News Detection Through Graph-based Neural Networks: A Survey [18.70577400440486]
  低品質や故意に偽の情報をオンラインで急速に広めることができる。 オンラインの誤報をできるだけ早く特定し、公表することは、ますます緊急の課題になりつつある。 本稿では,グラフベースおよび深層学習に基づくフェイクニュース検出研究の体系的レビューを行う。
  論文  参考訳（メタデータ） (2023-07-24T09:30:30Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning [74.6485604326913]
  我々は、専門知識とカテゴリ意味相関の両方を含む新しい意味強化知識グラフを提供する。 知識グラフの情報伝達のために,Residual Graph Convolutional Network (ResGCN)を提案する。 大規模画像Net-21KデータセットとAWA2データセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-12-26T13:18:36Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• One Representative-Shot Learning Using a Population-Driven Template with Application to Brain Connectivity Classification and Evolution Prediction [0.0]
  グラフニューラルネットワーク(GNN)は、ネットワーク神経科学の分野に導入されている。 私たちは、GNNのトレーニングにおいて、まったく異なるアプローチを取っています。 我々は、GNNが単一集団駆動型テンプレートで訓練される最初のワンショットパラダイムを示す。
  論文  参考訳（メタデータ） (2021-10-06T08:36:00Z)
• A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
  本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
  論文  参考訳（メタデータ） (2021-10-06T08:26:57Z)
• Multimodal Deep Learning Framework for Image Popularity Prediction on Social Media [24.104443991470287]
  画像の人気は、視覚的コンテンツ、美的品質、ユーザ、ポストメタデータ、時間など、いくつかの要因に影響される可能性がある。 我々は、投稿された画像の人気を予測する、視覚社会的畳み込みニューラルネットワーク(VSCNN)と呼ばれるディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:58:58Z)
• Network Representation Learning: From Traditional Feature Learning to Deep Learning [13.18795412068976]
  ネットワーク表現学習(NRL)は,グラフデータの隠れた特徴を深く理解するための効果的なグラフ解析手法である。 ソーシャルネットワークデータ処理、生物学的情報処理、レコメンダシステムなど、ネットワーク科学に関連する多くの実世界のタスクにうまく応用されている。
  論文  参考訳（メタデータ） (2021-03-07T12:31:33Z)
• Graph Neural Networks for Node-Level Predictions [0.7310043452300736]
  ディープラーニングはコンピュータビジョン、テキスト、音声処理などの分野を含む多くの研究分野に革命をもたらした。 本研究の目的は、ノードレベルの予測タスクのための、グラフニューラルネットワークに基づく機械学習手法の、初期および近代的な概要を提供することである。
  論文  参考訳（メタデータ） (2020-06-22T11:57:03Z)

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。