論文の概要: Estimating Topic Exposure for Under-Represented Users on Social Media

• arxiv url: http://arxiv.org/abs/2208.03796v1
• Date: Sun, 7 Aug 2022 19:37:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 14:27:01.003561
• Title: Estimating Topic Exposure for Under-Represented Users on Social Media
• Title（参考訳）: ソーシャルメディアにおける未表示ユーザの話題露出の推定
• Authors: Mansooreh Karami, Ahmadreza Mosallanezhad, Paras Sheth, and Huan Liu
• Abstract要約: この研究は、観察されたデータに対する参加者の貢献を強調することに重点を置いている。 これらのユーザの行動分析の最初のステップは、公開されているが関与していないトピックを見つけることです。 本稿では,これらのユーザを特定し,トピックの露出を推定する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.963970325207892
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Online Social Networks (OSNs) facilitate access to a variety of data allowing researchers to analyze users' behavior and develop user behavioral analysis models. These models rely heavily on the observed data which is usually biased due to the participation inequality. This inequality consists of three groups of online users: the lurkers - users that solely consume the content, the engagers - users that contribute little to the content creation, and the contributors - users that are responsible for creating the majority of the online content. Failing to consider the contribution of all the groups while interpreting population-level interests or sentiments may yield biased results. To reduce the bias induced by the contributors, in this work, we focus on highlighting the engagers' contributions in the observed data as they are more likely to contribute when compared to lurkers, and they comprise a bigger population as compared to the contributors. The first step in behavioral analysis of these users is to find the topics they are exposed to but did not engage with. To do so, we propose a novel framework that aids in identifying these users and estimates their topic exposure. The exposure estimation mechanism is modeled by incorporating behavioral patterns from similar contributors as well as users' demographic and profile information.
• Abstract（参考訳）: オンラインソーシャルネットワーク(OSN)は、研究者がユーザーの行動を分析し、ユーザーの行動分析モデルを開発することを可能にする様々なデータへのアクセスを容易にする。 これらのモデルは、通常不平等が原因でバイアスを受ける観測データに大きく依存する。 この不平等は、オンラインユーザーの3つのグループから成り立っている: the lurkers - コンテンツのみを消費するユーザ、engager - コンテンツ作成にほとんど貢献しないユーザ、そしてtributors - オンラインコンテンツの大多数を作る責任を持つユーザ。 すべてのグループの貢献を考慮せず、人口レベルの関心や感情を解釈することは、偏った結果をもたらす可能性がある。 本研究では、貢献者によって引き起こされるバイアスを減らすために、参加者が観察されたデータに対して貢献する傾向が高いため、参加者の貢献を強調することに集中し、貢献者に比べて大きな人口を構成できる。 これらのユーザの行動分析の最初のステップは、公開されているが関与していないトピックを見つけることです。 そこで我々は,これらのユーザを識別し,トピックの露出を推定する新しいフレームワークを提案する。 露出推定機構は、類似のコントリビュータの行動パターンと、ユーザの人口統計情報とプロファイル情報を組み込むことでモデル化される。

関連論文リスト

• Authenticity and exclusion: social media algorithms and the dynamics of belonging in epistemic communities [0.8287206589886879]
  本稿では,ソーシャルメディアプラットフォームとそのレコメンデーションアルゴリズムが,少数派の研究者の専門的視認性と機会をいかに形成するかを検討する。 まず、これらのアルゴリズムは少数派の研究者の専門的な可視性を著しく損なう。 第二に、これらの少数派グループの中では、アルゴリズムは多数派に近づき、プロの可視性を犠牲にして同化を動機付ける。
  論文  参考訳（メタデータ） (2024-07-11T14:36:58Z)
• Insights from an experiment crowdsourcing data from thousands of US Amazon users: The importance of transparency, money, and data use [6.794366017852433]
  本稿は、米国5000人以上のユーザーから5年間にわたる、アクセス不能なAmazon購入履歴をクラウドソーシングする革新的なアプローチを共有する。 我々は参加者の同意を優先し、実験的な研究デザインを含むデータ収集ツールを開発した。 実験結果(N=6325)は、金銭的インセンティブと透明性の両方がデータ共有を大幅に増加させることを示している。
  論文  参考訳（メタデータ） (2024-04-19T20:45:19Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• Characterizing User Susceptibility to COVID-19 Misinformation on Twitter [40.0762273487125]
  本研究は、パンデミックのオンライン誤報に弱い人口を構成する人々への回答を試みる。 我々は、ソーシャルボットから、新型コロナウイルス関連の誤情報に関するさまざまなレベルのエンゲージメントを持つ人間まで、さまざまなタイプのユーザーを区別する。 次に、新型コロナウイルスの誤情報に対する感受性と相関する、ユーザのオンライン機能と状況予測を識別する。
  論文  参考訳（メタデータ） (2021-09-20T13:31:15Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)
• Learning User Embeddings from Temporal Social Media Data: A Survey [15.324014759254915]
  我々は,簡潔な潜在ユーザ表現(a.k.a.)を学習する代表的作業について調査する。 ユーザー埋め込み)は、ソーシャルメディアユーザーの主な特徴を捉えることができる。 学習されたユーザー埋め込みは、その後、パーソナリティモデリング、自殺リスクアセスメント、購買判断予測など、さまざまな下流のユーザー分析タスクをサポートするために使用できます。
  論文  参考訳（メタデータ） (2021-05-17T16:22:43Z)
• Information Consumption and Social Response in a Segregated Environment: the Case of Gab [74.5095691235917]
  この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。 疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。 本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
  論文  参考訳（メタデータ） (2020-06-03T11:34:25Z)

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。