論文の概要: Improving Social Media Popularity Prediction with Multiple Post
Dependencies
- arxiv url: http://arxiv.org/abs/2307.15413v1
- Date: Fri, 28 Jul 2023 09:06:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 13:12:16.655609
- Title: Improving Social Media Popularity Prediction with Multiple Post
Dependencies
- Title(参考訳): 複数のポスト依存によるソーシャルメディアの人気予測の改善
- Authors: Zhizhen Zhang, Xiaohui Xie, Mengyu Yang, Ye Tian, Yong Jiang, Yong Cui
- Abstract要約: 本稿では,DSN(Dependency-Aware Sequence Network)という新しい予測フレームワークを提案する。
DSNは、画像や投稿のテキスト情報からタスク固有の表現を得るために、効率的な微調整戦略を備えたマルチモーダル特徴抽出器を採用する。
ポスト間の依存性のために、DSNは階層的な情報伝達法を使用してカテゴリ表現を学習し、ポスト間の差異をよりよく記述する。
- 参考スコア(独自算出の注目度): 33.517898847695136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social Media Popularity Prediction has drawn a lot of attention because of
its profound impact on many different applications, such as recommendation
systems and multimedia advertising. Despite recent efforts to leverage the
content of social media posts to improve prediction accuracy, many existing
models fail to fully exploit the multiple dependencies between posts, which are
important to comprehensively extract content information from posts. To tackle
this problem, we propose a novel prediction framework named Dependency-aware
Sequence Network (DSN) that exploits both intra- and inter-post dependencies.
For intra-post dependency, DSN adopts a multimodal feature extractor with an
efficient fine-tuning strategy to obtain task-specific representations from
images and textual information of posts. For inter-post dependency, DSN uses a
hierarchical information propagation method to learn category representations
that could better describe the difference between posts. DSN also exploits
recurrent networks with a series of gating layers for more flexible local
temporal processing abilities and multi-head attention for long-term
dependencies. The experimental results on the Social Media Popularity Dataset
demonstrate the superiority of our method compared to existing state-of-the-art
models.
- Abstract(参考訳): ソーシャルメディアの人気予測は、レコメンデーションシステムやマルチメディア広告など、さまざまなアプリケーションに大きな影響を与えているため、多くの注目を集めている。
最近のソーシャルメディア投稿のコンテンツを利用して予測精度を向上させる努力にもかかわらず、既存のモデルの多くは投稿間の複数の依存関係を十分に活用できず、投稿からコンテンツ情報を総合的に抽出することが重要である。
この問題に対処するため,我々は,ポスト間およびインポスト間の依存関係を利用したdsn(dependency-aware sequence network)と呼ばれる新しい予測フレームワークを提案する。
DSNは、画像や投稿のテキスト情報からタスク固有の表現を得るために、効率的な微調整戦略を備えたマルチモーダル特徴抽出器を採用する。
ポスト間の依存関係のために、dsnは階層的情報伝達手法を使用して、ポスト間の差異をよりよく記述できるカテゴリ表現を学習する。
DSNはまた、よりフレキシブルなローカル時間処理能力と長期依存に対するマルチヘッドアテンションのために一連のゲーティング層を持つリカレントネットワークを利用する。
実験結果は,既存の最先端モデルと比較して,提案手法の優位性を示すものである。
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) - Adaptive Dependency Learning Graph Neural Networks [5.653058780958551]
本稿では,ニューラルネットワークと統計構造学習モデルを組み合わせたハイブリッドアプローチを提案する。
提案手法は,事前定義された依存性グラフを使わずに,実世界のベンチマークデータセットを用いて性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-12-06T20:56:23Z) - Multi-modal Representation Learning for Social Post Location Inference [7.911777986696313]
本研究では,位置推定のためのソーシャルポストの異なるモダリティを融合可能な,新しいマルチモーダル表現学習フレームワーク(MRLF)を提案する。
ノイズの多いユーザ生成テキストのコンテンツを克服するために,新しいアテンションベースの文字認識モジュールを提案する。
実験の結果,MRLFは正確な位置予測を行い,オンライン推論タスクにおけるソーシャルポストのマルチモーダルデータを理解するための新たな扉を開くことができることがわかった。
論文 参考訳(メタデータ) (2023-06-11T02:35:48Z) - Multi-Content Interaction Network for Few-Shot Segmentation [37.80624074068096]
Few-Shot COCOは、サポート画像の制限とクラス内における大きな相違に挑戦している。
この問題を解決するために,MCINet(Multi-Content Interaction Network)を提案する。
MCINetは、他のクエリブランチから低レベルの構造情報を高レベルのセマンティック機能に組み込むことで、FSSを改善している。
論文 参考訳(メタデータ) (2023-03-11T04:21:59Z) - Multi-Behavior Hypergraph-Enhanced Transformer for Sequential
Recommendation [33.97708796846252]
短期および長期のクロスタイプの振る舞い依存を捉えるために,新しいMBHT(Multi-Behavior Hypergraph-enhanced Transformer framework)を導入する。
具体的には、多スケールトランスフォーマーは、細粒度および粗粒度から振舞い対応のシーケンシャルパターンを共同符号化するために、低ランクの自己アテンションを備える。
論文 参考訳(メタデータ) (2022-07-12T15:07:21Z) - HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain
Language Model Compression [53.90578309960526]
大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。
階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
論文 参考訳(メタデータ) (2021-10-16T11:23:02Z) - Variational Attention: Propagating Domain-Specific Knowledge for
Multi-Domain Learning in Crowd Counting [75.80116276369694]
群集カウントでは, 激しいラベル付けの問題により, 新しい大規模データセットを収集する難易度が知覚される。
マルチドメイン共同学習を活用し,DKPNet(Domain-specific Knowledge Propagating Network)を提案する。
主に、異なるドメインに対する注意分布を明示的にモデル化する、新しい変動注意法(VA)技術を提案する。
論文 参考訳(メタデータ) (2021-08-18T08:06:37Z) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z)
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。