論文の概要: GAC: A Deep Reinforcement Learning Model Toward User Incentivization in Unknown Social Networks

• arxiv url: http://arxiv.org/abs/2203.09578v1
• Date: Thu, 17 Mar 2022 19:41:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 09:37:19.543766
• Title: GAC: A Deep Reinforcement Learning Model Toward User Incentivization in Unknown Social Networks
• Title（参考訳）: GAC:未知のソーシャルネットワークにおけるユーザインセンティブ化に向けた深層強化学習モデル
• Authors: Shiqing Wu, Weihua Li, Quan Bai
• Abstract要約: 本稿では,GAC(Geometric Actor-Critic)と呼ばれるエンドツーエンドの強化学習に基づくフレームワークを提案する。 提案したGACの性能を評価するために,実世界の3つのソーシャルネットワークデータセットを用いた。
• 参考スコア（独自算出の注目度）: 3.3946853660795884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, providing incentives to human users for attracting their attention and engagement has been widely adopted in many applications. To effectively incentivize users, most incentive mechanisms determine incentive values based on users' individual attributes, such as preferences. These approaches could be ineffective when such information is unavailable. Meanwhile, due to the budget limitation, the number of users who can be incentivized is also restricted. In this light, we intend to utilize social influence among users to maximize the incentivization. By directly incentivizing influential users in the social network, their followers and friends could be indirectly incentivized with fewer incentives or no incentive. However, it is difficult to identify influential users beforehand in the social network, as the influence strength between each pair of users is typically unknown. In this work, we propose an end-to-end reinforcement learning-based framework, named Geometric Actor-Critic (GAC), to discover effective incentive allocation policies under limited budgets. More specifically, the proposed approach can extract information from a high-level network representation for learning effective incentive allocation policies. The proposed GAC only requires the topology of the social network and does not rely on any prior information about users' attributes. We use three real-world social network datasets to evaluate the performance of the proposed GAC. The experimental results demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: 近年,人間の注意を惹きつけるインセンティブやエンゲージメントが,多くのアプリケーションで広く採用されている。 ユーザに効果的にインセンティブを与えるため、ほとんどのインセンティブメカニズムは、好みなどの個人の属性に基づいてインセンティブ値を決定する。 このような情報が得られない場合、これらのアプローチは効果がない可能性がある。 一方、予算制限のため、インセンティブを付与できるユーザ数も制限されている。 この観点から,ユーザ間の社会的影響を利用してインセンティブの最大化を目指す。 ソーシャルネットワークの影響力のあるユーザーに直接インセンティブを与えることで、フォロワーや友人はインセンティブを少なくしたりインセンティブ無しで間接的にインセンティブを与えることができる。 しかし,2対間の影響力の強さはよく分かっていないため,ソーシャルネットワークでは事前に影響力のあるユーザを特定することは困難である。 本研究では,限られた予算で効果的なインセンティブ割当方針を発見するために,gemetry actor-critic(gac)という,エンドツーエンドの強化学習ベースフレームワークを提案する。 より具体的には、提案手法は、効果的なインセンティブ割り当てポリシーを学習するための高レベルネットワーク表現から情報を抽出することができる。 提案されたGACは、ソーシャルネットワークのトポロジのみを必要とし、ユーザの属性に関する事前情報に依存しない。 提案したGACの性能を評価するために,実世界の3つのソーシャルネットワークデータセットを用いた。 実験の結果,提案手法の有効性が示された。

関連論文リスト

• Fractional Budget Allocation for Influence Maximization under General Marketing Strategies [15.985300892420137]
  我々は、ソーシャルネットワーク上のユーザを、潜在的に部分的な割引でインセンティブを与えるという、分数的影響の問題を考える。 ユーザに与えられるディスカウントが大きいほど、そのアクティベーションの可能性が高くなり、隣のユーザをアクティベートしようとする。 我々のゴールは、アクティブユーザー数を最大化するために、ネットワーク利用者に初期割引を割り当てる効率的なアルゴリズムを考案することである。
  論文  参考訳（メタデータ） (2024-07-08T07:09:11Z)
• Incentivized Truthful Communication for Federated Bandits [61.759855777522255]
  我々はTrath-FedBanという名前のインセンティブ互換通信プロトコルを提案する。 Truth-FedBanは、オーバーヘッドなしにサブ線形後悔と通信コストを保証します。
  論文  参考訳（メタデータ） (2024-02-07T00:23:20Z)
• 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)
• Incentivized Communication for Federated Bandits [67.4682056391551]
  我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。 本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
  論文  参考訳（メタデータ） (2023-09-21T00:59:20Z)
• A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes [12.691905338833372]
  影響最大化(IM)の目的は、特定の情報の拡散を最大化するためのネットワーク内の特定のノードを特定することである。 そこで我々は,K-Shellアルゴリズムを用いて,シードノードとコミュニティ間の接続のスコアを生成するコミュニティ構造に基づくアプローチを提案する。 Independent Cascade(IC)モデルを選択し、情報拡散をシミュレートし、4つの評価指標で評価する。
  論文  参考訳（メタデータ） (2022-11-17T16:53:47Z)
• Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
  我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。 KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。 さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
  論文  参考訳（メタデータ） (2021-10-08T09:13:51Z)
• A framework for massive scale personalized promotion [18.12992386307048]
  消費者向けプラットフォームを構築するテクノロジー企業は、大規模なユーザー人口にアクセスできるかもしれない。 定量化インセンティブによるプロモーションは、このようなプラットフォーム上でアクティブユーザを増やすための一般的なアプローチとなっている。 本稿では,大規模プロモーションキャンペーンのROIを最適化する実用的な2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-27T03:03:18Z)
• Identifying Influential Users in Unknown Social Networks for Adaptive Incentive Allocation Under Budget Restriction [24.793013471521924]
  インセンティブ化はユーザの行動に影響を与えるためのより積極的な方法であることが証明されている。 未知ネットワークにおける影響力のあるユーザを探索するための新しいアルゴリズムを提案する。 ユーザの好みと影響能力に基づいてインセンティブ値を決定する適応型インセンティブアロケーション・アプローチを設計する。
  論文  参考訳（メタデータ） (2021-07-13T11:20:10Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)
• 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。