論文の概要: Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction

• arxiv url: http://arxiv.org/abs/2204.08229v1
• Date: Mon, 18 Apr 2022 09:25:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 16:34:23.197099
• Title: Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction
• Title（参考訳）: ネットワークアウェアカスケード予測のための選好強化型社会影響モデリング
• Authors: Likang Wu, Hao Wang, Enhong Chen, Zhi Li, Hongke Zhao, Jianhui Ma
• Abstract要約: 本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
• 参考スコア（独自算出の注目度）: 59.221668173521884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network-aware cascade size prediction aims to predict the final reposted number of user-generated information via modeling the propagation process in social networks. Estimating the user's reposting probability by social influence, namely state activation plays an important role in the information diffusion process. Therefore, Graph Neural Networks (GNN), which can simulate the information interaction between nodes, has been proved as an effective scheme to handle this prediction task. However, existing studies including GNN-based models usually neglect a vital factor of user's preference which influences the state activation deeply. To that end, we propose a novel framework to promote cascade size prediction by enhancing the user preference modeling according to three stages, i.e., preference topics generation, preference shift modeling, and social influence activation. Our end-to-end method makes the user activating process of information diffusion more adaptive and accurate. Extensive experiments on two large-scale real-world datasets have clearly demonstrated the effectiveness of our proposed model compared to state-of-the-art baselines.
• Abstract（参考訳）: ネットワーク対応カスケードサイズ予測は,ソーシャルネットワークにおける伝搬過程をモデル化することにより,ユーザ生成情報の最終再投稿数を予測することを目的としている。 ユーザの再投稿確率を社会的影響、すなわち状態活性化によって推定することは、情報拡散過程において重要な役割を果たす。 そのため、ノード間の情報相互作用をシミュレートできるグラフニューラルネットワーク(GNN)が、この予測処理に有効なスキームとして証明されている。 しかしながら、GNNベースのモデルを含む既存の研究は、通常、状態の活性化に深く影響を及ぼすユーザの好みの重要な要素を無視する。 そこで我々は,好みトピックの生成,嗜好シフトモデリング,社会的影響の活性化という3つの段階に応じて,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。 2つの大規模実世界のデータセットに対する大規模な実験は、提案モデルの有効性を最先端のベースラインと比較して明らかに実証した。

関連論文リスト

• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• 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)
• DySuse: Susceptibility Estimation in Dynamic Social Networks [2.736093604280113]
  本稿では,より現実的で,現実的な応用に有用な,動的ソーシャルネットワークにおける感受性推定というタスクを提案する。 構造的特徴モジュールを利用して、各グラフスナップショット上の影響拡散の構造的情報を独立にキャプチャする。 本フレームワークは,既存の動的グラフ埋め込みモデルよりも優れ,複数の影響拡散モデルにおいて良好な予測性能を有する。
  論文  参考訳（メタデータ） (2023-08-21T03:28:34Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• AoI-based Temporal Attention Graph Neural Network for Popularity Prediction and Content Caching [9.16219929722585]
  情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。 本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。 また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
  論文  参考訳（メタデータ） (2022-08-18T02:57:17Z)
• Independent Asymmetric Embedding Model for Cascade Prediction on Social Network [0.49269463638915806]
  Cascade予測は、メッセージをソーシャルネットワークに再投稿する可能性のある個人を予測することを目的としています。 カスケード予測のための社会的埋め込み学習のための独立な非対称埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-05-18T05:40:38Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
  本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。 本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。 学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2020-07-13T17:58:21Z)
• Knowing your FATE: Friendship, Action and Temporal Explanations for User Engagement Prediction on Social Apps [40.58156024231199]
  本稿では,ソーシャルネットワークアプリにおけるユーザエンゲージメント予測の新たな課題について検討する。 エンド・ツー・エンドのニューラルネットワークフレームワークであるFATEを設計し、ユーザエンゲージメントに影響を与えるために識別する3つの重要な要素を組み込んだ。 FATEは、テンソルベースのグラフニューラルネットワーク(GNN)、LSTM、混合アテンション機構に基づいており、(a)異なる特徴カテゴリにわたる学習重みに基づく予測的説明、(b)ネットワークの複雑さの低減、(c)予測精度とトレーニング/推論時間の両方のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-06-10T02:59:13Z)

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。