論文の概要: Predicting Tweet Engagement with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2305.10103v1
- Date: Wed, 17 May 2023 10:09:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 16:38:38.789977
- Title: Predicting Tweet Engagement with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによるツイートエンゲージメント予測
- Authors: Marco Arazzi, Marco Cotogni, Antonino Nocera, Luca Virgili
- Abstract要約: 本稿では、新しいグラフベースモデルに基づいて、ユーザエンゲージメントを予測するグラフニューラルネットワークソリューションであるTweetGageを提案する。
提案を検証するために、Twitterプラットフォームに注目し、徹底的な実験的キャンペーンを実施します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Social Networks represent one of the most important online sources to share
content across a world-scale audience. In this context, predicting whether a
post will have any impact in terms of engagement is of crucial importance to
drive the profitable exploitation of these media. In the literature, several
studies address this issue by leveraging direct features of the posts,
typically related to the textual content and the user publishing it. In this
paper, we argue that the rise of engagement is also related to another key
component, which is the semantic connection among posts published by users in
social media. Hence, we propose TweetGage, a Graph Neural Network solution to
predict the user engagement based on a novel graph-based model that represents
the relationships among posts. To validate our proposal, we focus on the
Twitter platform and perform a thorough experimental campaign providing
evidence of its quality.
- Abstract（参考訳）: ソーシャルネットワークは、世界規模のオーディエンスでコンテンツを共有する上で最も重要なオンラインソースの1つだ。
この文脈では、記事がエンゲージメントの観点から何らかの影響を与えるかどうかを予測することは、これらのメディアの収益化を促進する上で非常に重要である。
文献では、この記事の直接的特徴(典型的にはテキストの内容とそれを公開するユーザに関連する)を活用してこの問題に対処する研究がいくつかある。
本稿では,エンゲージメントの高まりが,ソーシャルメディア上のユーザによる投稿のセマンティックな関連性である他の重要な要素にも関係している,と論じる。
そこで本稿では,投稿間の関係を表す新しいグラフベースモデルに基づいて,ユーザエンゲージメントを予測するためのグラフニューラルネットワークであるTweetGageを提案する。
提案を検証するため,我々はtwitterプラットフォームに着目し,その品質のエビデンスを提供する徹底的な実験キャンペーンを行う。
関連論文リスト
- Sentiment and Hashtag-aware Attentive Deep Neural Network for Multimodal Post Popularity Prediction [1.3845503845316387]
ソーシャルメディア利用者は、幅広いテーマについて意見を表明し、ソーシャルメディアプラットフォームへの投稿を通じて自身の経験を共有する。
マルチAlposT pOpularity pRedictionのためのセグティメントとhAshtag対応の注意深いneuRal netwoRkを提案する。
論文 参考訳（メタデータ） (2024-12-14T08:18:23Z) - 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) - Exploring Embeddings for Measuring Text Relatedness: Unveiling
Sentiments and Relationships in Online Comments [1.7230140898679147]
本稿では,様々なソーシャルメディアプラットフォームにおけるコメント間の感情的・意味的関係について検討する。
単語の埋め込みを使って文や文書のコンポーネントを分析する。
我々の分析は、オンラインコメントの相互接続性をより深く理解し、大きな相互接続脳として機能するインターネットの概念を調査する。
論文 参考訳（メタデータ） (2023-09-15T04:57:23Z) - ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。
この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。
我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-05-23T16:40:07Z) - GREENER: Graph Neural Networks for News Media Profiling [24.675574340841163]
本稿では,ウェブ上でのニュースメディアのプロファイリングの問題について,その実態と偏見について考察する。
私たちの主な焦点は、オーディエンスの重複に基づいて、メディア間の類似性をモデル化することにあります。
予測精度は2つのタスクに対して2.5-27マクロF1ポイント向上した。
論文 参考訳（メタデータ） (2022-11-10T12:46:29Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - 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) - How-to Present News on Social Media: A Causal Analysis of Editing News
Headlines for Boosting User Engagement [14.829079057399838]
我々は,メディアの現在の実践をデータ駆動アプローチを用いて分析する。
8つのメディアが共有するオリジナルニュース記事とそれに対応するつぶやきの並列コーパスを構築します。
そして、これらのメディアがオリジナルの見出しに対してツイートを編集し、そうした変化の影響について検討する。
論文 参考訳（メタデータ） (2020-09-17T06:39:49Z) - 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。