論文の概要: InfluencerRank: Discovering Effective Influencers via Graph Convolutional Attentive Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2304.01897v2
• Date: Wed, 12 Apr 2023 19:24:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 20:06:23.858121
• Title: InfluencerRank: Discovering Effective Influencers via Graph Convolutional Attentive Recurrent Neural Networks
• Title（参考訳）: InfluencerRank: Graph Convolutional Attentive Recurrent Neural Networksによる効果的なインフルエンサー発見
• Authors: Seungbae Kim, Jyun-Yu Jiang, Jinyoung Han, Wei Wang
• Abstract要約: 本研究では,その投稿行動と時間的社会的関係に基づいて,インフルエンサーをその効果でランク付けするインフルエンサーランクを提案する。 Instagramのデータセットは18,397人のインフルエンサーで構成され、12ヶ月以内に2,952,075件の投稿が公開された。
• 参考スコア（独自算出の注目度）: 15.461845673443804
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As influencers play considerable roles in social media marketing, companies increase the budget for influencer marketing. Hiring effective influencers is crucial in social influencer marketing, but it is challenging to find the right influencers among hundreds of millions of social media users. In this paper, we propose InfluencerRank that ranks influencers by their effectiveness based on their posting behaviors and social relations over time. To represent the posting behaviors and social relations, the graph convolutional neural networks are applied to model influencers with heterogeneous networks during different historical periods. By learning the network structure with the embedded node features, InfluencerRank can derive informative representations for influencers at each period. An attentive recurrent neural network finally distinguishes highly effective influencers from other influencers by capturing the knowledge of the dynamics of influencer representations over time. Extensive experiments have been conducted on an Instagram dataset that consists of 18,397 influencers with their 2,952,075 posts published within 12 months. The experimental results demonstrate that InfluencerRank outperforms existing baseline methods. An in-depth analysis further reveals that all of our proposed features and model components are beneficial to discover effective influencers.
• Abstract（参考訳）: インフルエンサーがソーシャルメディアマーケティングにおいてかなりの役割を果たすと、企業はインフルエンサーマーケティングの予算を増やすことになる。 効果的なインフルエンサーの採用は、ソーシャルインフルエンサーマーケティングにおいて極めて重要であるが、数億のソーシャルメディアユーザーの中で適切なインフルエンサーを見つけることは困難である。 本稿では,その投稿行動と時間的社会的関係に基づいて,インフルエンサーをその効果によってランク付けするインフルエンサーRankを提案する。 投稿行動や社会的関係を表現するために、グラフ畳み込みニューラルネットワークは、異なる歴史的期間に異質なネットワークを持つモデルインフルエンサーに適用される。 InfluencerRankはネットワーク構造を組み込みノードの特徴で学習することにより、各期間のインフルエンサーに対する情報表現を導出することができる。 注意的リカレントニューラルネットワークは、時間とともにインフルエンサー表現のダイナミクスの知識を捉え、最終的に他のインフルエンサーと非常に効果的なインフルエンサーを区別する。 Instagramのデータセットは18,397人のインフルエンサーで構成され、12ヶ月以内に2,952,075件の投稿が公開された。 InfluencerRankが既存のベースライン法より優れていることを示す実験結果が得られた。 詳細な分析により,提案する機能やモデルコンポーネントがすべて有効であることがわかった。

関連論文リスト

• Influencer Cartels [0.0]
  インフルエンサーのグループは、エンゲージメントを膨らませることで広告収入を増やすためにコラージュします。 理論的モデルから, インフルエンサーカルテルは, ターゲット層にソーシャルメディアのエンゲージメントを拡大すれば, 消費者福祉を向上できることが示された。 我々は、新しいデータセットと機械学習ツールを用いて、インフルエンサーカルテルを実証的に検証し、ポリシー含意を導出する。
  論文  参考訳（メタデータ） (2024-05-16T16:29:49Z)
• 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)
• Causal Influences over Social Learning Networks [46.723361065955544]
  本稿では,ソーシャルグラフによってリンクされたエージェントと,時間とともに相互作用するエージェント間の因果関係について検討する。 エージェント間の全体的な影響をランク付けし、非常に影響力のあるエージェントを発見するアルゴリズムを提案する。 結果と提案アルゴリズムは,合成データと実Twitterデータの両方を考慮し,考察を行った。
  論文  参考訳（メタデータ） (2023-07-13T04:25:19Z)
• What Drives Virtual Influencer's Impact? [0.0]
  この研究は、写真に他の誰かを含めることで、仮想インフルエンサーの投稿に対する消費者の反応がどのように形成されるかを調べる。 マルチメソッド調査では、何千ものソーシャルメディア投稿の自動画像とテキスト分析を組み合わせる。 コンパニオンの存在によって、バーチャルインフルエンサーはより人間らしく見え、より信頼されるように思える。
  論文  参考訳（メタデータ） (2023-01-24T09:22:41Z)
• Conductance and Social Capital: Modeling and Empirically Measuring Online Social Influence [9.556358888163983]
  社会的影響は私たちの日常生活に浸透し、複雑な社会現象の基礎を築いた。 オンライン社会的影響を研究する既存の文献は、いくつかの欠点に悩まされている。 この研究はギャップを埋め、モデリングとオンライン影響の実証的な定量化に3つの貢献をする。
  論文  参考訳（メタデータ） (2021-10-25T01:05:49Z)
• Influencing the Influencers: Evaluating Person-to-Person Influence on Social Networks Using Granger Causality [6.458496335718509]
  本稿では,Twitter上での個人間コンテンツの影響を分析する新しい手法を提案する。 Ego-AlterフレームワークとGranger Causalityを使って、トランプ大統領(Ego)と彼がリツイートした人々(Alters)を調べる。 それぞれのAlterは、複数のトピックにまたがって異なる影響範囲を持ち、与えられたトピックに異なる影響範囲を持ち、単一のAlterの影響の大きさはトピックによって異なる。
  論文  参考訳（メタデータ） (2021-10-10T20:40:11Z)
• Modeling Influencer Marketing Campaigns In Social Networks [2.0303656145222857]
  世界の38億人以上がソーシャルメディアを積極的に利用している。 本研究では、インフルエンサー広告キャンペーンのダイナミクスをシミュレートできるエージェントベースモデル(ABM)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T11:01:06Z)
• Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
  我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。 偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。 本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-20T19:37:04Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)
• 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。