論文の概要: Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction

• arxiv url: http://arxiv.org/abs/2308.09976v1
• Date: Sat, 19 Aug 2023 10:43:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 18:39:03.468144
• Title: Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction
• Title（参考訳）: 情報人気予測のための明示的時間埋め込み型カスケード注意ネットワーク
• Authors: Xigang Sun, Jingya Zhou, Ling Liu, Wenqi Wei
• Abstract要約: 本稿では,大規模情報ネットワークのための新しい人気予測アーキテクチャとして,時間埋め込みに基づくカスケード注意ネットワーク(TCAN)を提案する。 TCANは、時間属性を一般的な時間埋め込みアプローチ(TE)を介してノード機能に統合し、カスケードグラフアテンションエンコーダ(CGAT)とカスケードシーケンスアテンションエンコーダ(CSAT)を使用して、カスケードグラフとカスケードシーケンスの表現を完全に学習する。
• 参考スコア（独自算出の注目度）: 12.645792211510276
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting information cascade popularity is a fundamental problem in social networks. Capturing temporal attributes and cascade role information (e.g., cascade graphs and cascade sequences) is necessary for understanding the information cascade. Current methods rarely focus on unifying this information for popularity predictions, which prevents them from effectively modeling the full properties of cascades to achieve satisfactory prediction performances. In this paper, we propose an explicit Time embedding based Cascade Attention Network (TCAN) as a novel popularity prediction architecture for large-scale information networks. TCAN integrates temporal attributes (i.e., periodicity, linearity, and non-linear scaling) into node features via a general time embedding approach (TE), and then employs a cascade graph attention encoder (CGAT) and a cascade sequence attention encoder (CSAT) to fully learn the representation of cascade graphs and cascade sequences. We use two real-world datasets (i.e., Weibo and APS) with tens of thousands of cascade samples to validate our methods. Experimental results show that TCAN obtains mean logarithm squared errors of 2.007 and 1.201 and running times of 1.76 hours and 0.15 hours on both datasets, respectively. Furthermore, TCAN outperforms other representative baselines by 10.4%, 3.8%, and 10.4% in terms of MSLE, MAE, and R-squared on average while maintaining good interpretability.
• Abstract（参考訳）: 情報のカスケード傾向の予測は、ソーシャルネットワークにおける根本的な問題である。 情報カスケードを理解するには,時間属性とカスケードロール情報(カスケードグラフやカスケードシーケンスなど)をキャプチャする必要がある。 現在の手法では、この情報を普及予測のために統一することはほとんどなく、カスケードの完全な特性を効果的にモデル化することができず、良好な予測性能を達成することができる。 本稿では,大規模情報ネットワークのための新しい人気予測アーキテクチャとして,時間埋め込みに基づくカスケード注意ネットワーク(TCAN)を提案する。 TCANは、時間属性(周期性、線形性、非線形スケーリング)を一般的な時間埋め込みアプローチ(TE)を介してノード機能に統合し、カスケードグラフとカスケードシーケンスの表現を完全に学習するためにカスケードグラフアテンションエンコーダ(CGAT)とカスケードシーケンスアテンションエンコーダ(CSAT)を使用する。 我々は2つの実世界のデータセット(WeiboとAPS)と数万のカスケードサンプルを使って手法を検証する。 実験の結果,TANは平均対数2乗誤差が2.007と1.201であり,それぞれ1.76時間と0.15時間であることがわかった。 さらに、TCANは他の代表ベースラインよりも10.4%、3.8%、そして10.4%、MSLE、MAE、R-squaredを平均で上回り、良好な解釈性を維持している。

関連論文リスト

• On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction [5.464598715181046]
  情報の普及を正確に予測する鍵は、基礎となる時間情報拡散過程を微妙にモデル化することにある。 本稿では,情報人気予測のために,カスケードの連続時間ダイナミクスをモデル化したConCatを提案する。 実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
  論文  参考訳（メタデータ） (2024-09-25T05:08:44Z)
• 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)
• HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades [25.564185461383655]
  情報カスケードの人気予測は、偽ニュースの特定や正確なレコメンデーションなど、多くのアプリケーションにとって重要である。 従来の機能ベースのメソッドは、ドメイン固有であり、新しいドメインへの一般化性に欠ける手作りの機能に依存している。 動的グラフモデリング手法を用いて,カスケードグラフ全体で動作するカスケード人気予測 (HierCas) のための階層型時間グラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T01:55:10Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• 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)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals [30.959353518914366]
  カスケードデータの2つの重要な時間的信号が,我々の知識に強調されていないか報告されていない。 本稿では,時間的パラメトリック関数として新しいカスケード成長モデルであるGammaCasを提案する。 具体的には、その状態がカスケードレート関数のパラメータを提供する、カスタマイズされたリカレントネットワークを介してこれらの信号を処理する。
  論文  参考訳（メタデータ） (2021-06-13T14:44:36Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks [0.0]
  我々は,Long-Short Term Memory (LSTM) ニューラルネットワーク技術を用いて,情報カスケードの2時間特性を予測する。 本手法により,情報発信装置の分類精度は73%以上,早期送信装置の分類精度は83%以上となる。
  論文  参考訳（メタデータ） (2020-04-26T13:17:24Z)

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。