論文の概要: Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency

• arxiv url: http://arxiv.org/abs/2204.08529v1
• Date: Thu, 7 Apr 2022 14:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-24 16:13:38.228277
• Title: Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency
• Title（参考訳）: ソーシャルトポロジと二重役割ユーザ依存による情報カスケードモデリングの改善
• Authors: Baichuan Liu, Deqing Yang, Yueyi Wang, Yuchen Shi
• Abstract要約: 我々は、TAN-DRUD (Topology-aware Attention Networks with Dual Role User Dependency) という名前の非シーケンス情報カスケードモデルを提案する。 TAN-DRUDは、情報送信者と受信者の二重ロールユーザ依存性をキャプチャすることで、情報カスケードモデリングにおける良好な性能を得る。 3つのカスケードデータセットに対する実験により、我々のモデルは最先端のカスケードモデルよりも優れているだけでなく、トポロジー情報を利用して拡散木を推定できることを示した。
• 参考スコア（独自算出の注目度）: 3.3497820777154614
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the last decade, information diffusion (also known as information cascade) on social networks has been massively investigated due to its application values in many fields. In recent years, many sequential models including those models based on recurrent neural networks have been broadly employed to predict information cascade. However, the user dependencies in a cascade sequence captured by sequential models are generally unidirectional and inconsistent with diffusion trees. For example, the true trigger of a successor may be a non-immediate predecessor rather than the immediate predecessor in the sequence. To capture user dependencies more sufficiently which are crucial to precise cascade modeling, we propose a non-sequential information cascade model named as TAN-DRUD (Topology-aware Attention Networks with Dual Role User Dependency). TAN-DRUD obtains satisfactory performance on information cascade modeling through capturing the dual role user dependencies of information sender and receiver, which is inspired by the classic communication theory. Furthermore, TANDRUD incorporates social topology into two-level attention networks for enhanced information diffusion prediction. Our extensive experiments on three cascade datasets demonstrate that our model is not only superior to the state-of-the-art cascade models, but also capable of exploiting topology information and inferring diffusion trees.
• Abstract（参考訳）: 過去10年間で、ソーシャルネットワーク上の情報拡散(情報カスケード)は、その適用価値が多くの分野において大きく研究されている。 近年、情報カスケードを予測するために、リカレントニューラルネットワークに基づくモデルを含む多くのシーケンシャルモデルが広く採用されている。 しかし、逐次モデルによってキャプチャされたカスケードシーケンスにおけるユーザ依存性は、一般的に一方向的で拡散木と矛盾する。 例えば、後継の真のトリガーは、シーケンスの直接前駆者ではなく、非即時前駆者かもしれない。 正確なカスケードモデリングに欠かせない,ユーザの依存性をより適切に捉えるために,TAN-DRUD (Topology-aware Attention Networks with Dual Role User Dependency) と名付けられた非シーケンス情報カスケードモデルを提案する。 tan-drudは,情報送信者と受信者の二重ロールユーザ依存性を捉えることにより,情報カスケードモデリングにおける満足度の高い性能を得る。 さらに,ソーシャルトポロジを2段階のアテンションネットワークに組み込んで情報拡散予測を行う。 3つのカスケードデータセットに関する広範な実験により,我々のモデルが最先端カスケードモデルよりも優れているだけでなく,トポロジ情報や拡散木を推定できることを示した。

関連論文リスト

• Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks [51.54002032659713]
  カスケード予測のための階層型情報拡張ネットワーク(HIENet)を提案する。 本手法では,基本カスケードシーケンス,ユーザソーシャルグラフ,サブカスケードグラフを統合フレームワークに統合する。
  論文  参考訳（メタデータ） (2024-03-22T14:57:27Z)
• 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)
• HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades [25.564185461383655]
  情報カスケードの人気予測は、偽ニュースの特定や正確なレコメンデーションなど、多くのアプリケーションにとって重要である。 従来の機能ベースのメソッドは、ドメイン固有であり、新しいドメインへの一般化性に欠ける手作りの機能に依存している。 動的グラフモデリング手法を用いて,カスケードグラフ全体で動作するカスケード人気予測 (HierCas) のための階層型時間グラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T01:55:10Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  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。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Characterizing and Understanding the Behavior of Quantized Models for Reliable Deployment [32.01355605506855]
  量子化対応トレーニングは、標準、逆数、ミックスアップトレーニングよりも安定したモデルを生成することができる。 診断は、しばしばトップ1とトップ2の出力確率に近づき、$Margin$は、相違点を区別する他の不確実性指標よりも優れた指標である。 我々は、量子化されたモデルをさらに研究するための新しいベンチマークとして、コードとモデルをオープンソース化した。
  論文  参考訳（メタデータ） (2022-04-08T11:19:16Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
  グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。 本稿では,連続学習に基づくストリーミングGNNモデルを提案する。 モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-09-23T06:52:30Z)
• Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
  本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。 本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。 実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2020-01-18T13:32:18Z)

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。