論文の概要: Follow Us and Become Famous! Insights and Guidelines From Instagram Engagement Mechanisms

• arxiv url: http://arxiv.org/abs/2301.06815v1
• Date: Tue, 17 Jan 2023 11:26:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 14:18:43.152116
• Title: Follow Us and Become Famous! Insights and Guidelines From Instagram Engagement Mechanisms
• Title（参考訳）: ついて来て 有名になるんだ! Instagramのエンゲージメントメカニズムの洞察とガイドライン
• Authors: Pier Paolo Tricomi, Marco Chilese, Mauro Conti, Ahmad-Reza Sadeghi
• Abstract要約: ポストの人気を予測するための様々な方法が提案されている。 これらの手法は、2021年に重要になったコメントの数を無視して、このような予測に重点を置いている。 より優れたアプローチは、人やIGの好みに基づいた投稿を生成することだ。 我々は、34Kのグローバルインフルエンサーが作成した1000万のポストのグローバルデータセットを使用して、広範な実験を行う。
• 参考スコア（独自算出の注目度）: 34.56524908056281
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With 1.3 billion users, Instagram (IG) has also become a business tool. IG influencer marketing, expected to generate $33.25 billion in 2022, encourages companies and influencers to create trending content. Various methods have been proposed for predicting a post's popularity, i.e., how much engagement (e.g., Likes) it will generate. However, these methods are limited: first, they focus on forecasting the likes, ignoring the number of comments, which became crucial in 2021. Secondly, studies often use biased or limited data. Third, researchers focused on Deep Learning models to increase predictive performance, which are difficult to interpret. As a result, end-users can only estimate engagement after a post is created, which is inefficient and expensive. A better approach is to generate a post based on what people and IG like, e.g., by following guidelines. In this work, we uncover part of the underlying mechanisms driving IG engagement. To achieve this goal, we rely on statistical analysis and interpretable models rather than Deep Learning (black-box) approaches. We conduct extensive experiments using a worldwide dataset of 10 million posts created by 34K global influencers in nine different categories. With our simple yet powerful algorithms, we can predict engagement up to 94% of F1-Score, making us comparable and even superior to Deep Learning-based method. Furthermore, we propose a novel unsupervised algorithm for finding highly engaging topics on IG. Thanks to our interpretable approaches, we conclude by outlining guidelines for creating successful posts.
• Abstract（参考訳）: 13億人のユーザーがいるInstagram(IG)もビジネスツールになっている。 インフルエンサーマーケティングは2022年に3325億ドルを生産すると予想されており、企業やインフルエンサーがトレンドコンテンツを作成することを奨励している。 投稿の人気、すなわち、どれだけのエンゲージメント(例えば、いいね!)が発生するかを予測するために、様々な方法が提案されている。 しかし、これらの方法は限られており、まず2021年に重要になったコメントの数を無視して、いいね! 第二に、研究はしばしばバイアスや限られたデータを使う。 第三に、研究者は予測性能を向上させるためにディープラーニングモデルに焦点を当てた。 その結果、エンドユーザは、投稿が作成された後のみエンゲージメントを見積もることができなくなり、非効率で費用がかかる。 より良いアプローチは、例えばガイドラインに従うことによって、人々やイグジットが好きなものに基づいて投稿を生成することである。 本研究では、IGエンゲージメントを駆動するメカニズムの一部を明らかにする。 この目的を達成するには、深層学習(ブラックボックス)アプローチではなく、統計分析と解釈モデルに頼る。 3kグローバルインフルエンサーが作成した1000万の投稿の全世界的データセットを9つのカテゴリに分けて,広範な実験を行った。 シンプルな強力なアルゴリズムを使えば、f1-scoreの最大94%のエンゲージメントを予測できます。 さらに,IG 上で高度に係わるトピックを探索するための新しい教師なしアルゴリズムを提案する。 解釈可能なアプローチのおかげで、成功記事を作成するためのガイドラインの概要をまとめて締めくくります。

関連論文リスト

• PageRank Bandits for Link Prediction [72.61386754332776]
  リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。 本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。 本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
  論文  参考訳（メタデータ） (2024-11-03T02:39:28Z)
• Learning Precise Affordances from Egocentric Videos for Robotic Manipulation [18.438782733579064]
  Affordanceは、オブジェクトが提供する潜在的なアクションとして定義され、ロボット操作タスクに不可欠である。 本稿では,データ収集,効果的なモデルトレーニング,ロボットの展開を含む,合理化された空き時間学習システムを提案する。
  論文  参考訳（メタデータ） (2024-08-19T16:11:47Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving [96.92499034935466]
  自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。 第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。 収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:39:07Z)
• No-Regret Online Prediction with Strategic Experts [16.54912614895861]
  オンラインバイナリ予測の一般化をエキスパートアドバイスフレームワークを用いて研究し、各ラウンドで、学習者は、Kドルの専門家のプールからmgeq 1ドルの専門家を選ぶことができる。 我々は、専門家が戦略的に行動し、彼らの信念を誤報することでアルゴリズムの予測への影響を最大化することを目的とした設定に焦点を当てる。 目標は,次の2つの要件を満たすアルゴリズムを設計することです。 1) $textitIncentive-compatible$: 専門家に信念を真実に報告させるインセンティブ,2) $textitNo-regret$: Achieve。
  論文  参考訳（メタデータ） (2023-05-24T16:43:21Z)
• Adversarial Auto-Augment with Label Preservation: A Representation Learning Principle Guided Approach [95.74102207187545]
  本研究では,事前自由な自律的データ拡張の目的が表現学習の原則から導出可能であることを示す。 そこで我々は,既存の手法にシームレスに最適化し,シームレスに統合できる目的に対して,実用的なサロゲートを提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:02:51Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Solving the Data Sparsity Problem in Predicting the Success of the Startups with Machine Learning Methods [2.939434965353219]
  Crunchbaseからの大きなデータセットを用いた機械学習アルゴリズムについて検討する。 その結果、LightGBMとXGBoostは53.03%、52.96%のスコアを獲得している。 これらの発見は、機械学習手法がスタートアップ企業や投資家にどのように役立つかに大きく影響している。
  論文  参考訳（メタデータ） (2021-12-15T09:21:32Z)
• Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning [3.42658286826597]
  PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。 代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
  論文  参考訳（メタデータ） (2020-09-07T13:27:06Z)
• No-Regret and Incentive-Compatible Online Learning [29.267666165169324]
  本研究では,学習アルゴリズムの予測に対する影響を最大化するために,専門家が戦略的に行動するオンライン学習環境について検討する。 私たちは、学習アルゴリズムを、後見の最高の固定専門家に対して、不適切なものにしたいと考えています。 完全な情報設定と部分的な情報設定の両方について、専門家にとって後悔とインセンティブの相性のないアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-02-20T16:21:34Z)

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。