論文の概要: Organized Event Participant Prediction Enhanced by Social Media Retweeting Data

• arxiv url: http://arxiv.org/abs/2310.00896v1
• Date: Mon, 2 Oct 2023 04:26:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 23:35:01.801358
• Title: Organized Event Participant Prediction Enhanced by Social Media Retweeting Data
• Title（参考訳）: ソーシャルメディアのリツイートデータによるイベント参加者の組織的予測
• Authors: Yihong Zhang and Takahiro Hara
• Abstract要約: 本稿では、ソーシャルメディアのリツイート活動データを利用して、イベント参加者予測モデルの学習を強化することを提案する。 実世界データを用いた総合的な実験を2つのシナリオで実施する。
• 参考スコア（独自算出の注目度）: 8.675064911866201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowadays, many platforms on the Web offer organized events, allowing users to be organizers or participants. For such platforms, it is beneficial to predict potential event participants. Existing work on this problem tends to borrow recommendation techniques. However, compared to e-commerce items and purchases, events and participation are usually of a much smaller frequency, and the data may be insufficient to learn an accurate model. In this paper, we propose to utilize social media retweeting activity data to enhance the learning of event participant prediction models. We create a joint knowledge graph to bridge the social media and the target domain, assuming that event descriptions and tweets are written in the same language. Furthermore, we propose a learning model that utilizes retweeting information for the target domain prediction more effectively. We conduct comprehensive experiments in two scenarios with real-world data. In each scenario, we set up training data of different sizes, as well as warm and cold test cases. The evaluation results show that our approach consistently outperforms several baseline models, especially with the warm test cases, and when target domain data is limited.
• Abstract（参考訳）: 現在、Web上の多くのプラットフォームがイベントを組織化しており、ユーザーはオーガナイザや参加者になることができる。 このようなプラットフォームでは、潜在的なイベント参加者を予測することは有益である。 この問題に関する既存の作業はレコメンデーションテクニックを借りる傾向があります。 しかし、eコマースアイテムや購入と比較して、イベントや参加の頻度は比較的小さく、正確なモデルを学ぶにはデータが不十分である可能性がある。 本稿では,ソーシャルメディアのリツイート活動データを利用して,イベント参加者予測モデルの学習を促進することを提案する。 イベント記述とツイートが同じ言語で書かれていると仮定して、ソーシャルメディアとターゲットドメインを橋渡しするための共同知識グラフを作成する。 さらに,対象領域の予測にリツイート情報を利用する学習モデルを提案する。 実世界データを用いて2つのシナリオで総合的な実験を行う。 それぞれのシナリオでは、さまざまなサイズのトレーニングデータと、温かく冷たいテストケースを設定しました。 評価の結果,本手法は,いくつかのベースラインモデル,特にウォームテストケース,および対象領域データに制限がある場合において,一貫して優れることがわかった。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• 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)
• Context-Based Tweet Engagement Prediction [0.0]
  この論文は、ツイートのエンゲージメントの可能性を予測するために、コンテキスト単独がいかにうまく使われるかを調査する。 私たちはTU WienのLittle Big Data ClusterにSparkエンジンを使用して、スケーラブルなデータ前処理、機能エンジニアリング、機能選択、マシンラーニングパイプラインを作成しました。 また, 予測アルゴリズム, トレーニングデータセットサイズ, トレーニングデータセットサンプリング手法, 特徴選択などの因子が, 結果に有意な影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2023-09-28T08:36:57Z)
• Harnessing the Power of Text-image Contrastive Models for Automatic Detection of Online Misinformation [50.46219766161111]
  誤情報識別の領域における構成的学習を探求する自己学習モデルを構築した。 本モデルでは、トレーニングデータが不十分な場合、非マッチング画像-テキストペア検出の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-19T02:53:59Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• HumAID: Human-Annotated Disaster Incidents Data from Twitter with Deep Learning Benchmarks [5.937482215664902]
  ソーシャルメディアのコンテンツは、どんなアプリケーションでも直接使うにはうるさい。 効果的な消費と意思決定を促進するために、利用可能なコンテンツをフィルタリング、分類、および簡潔に要約することが重要です。 19の災害イベントで2400万ツイートのプールから抽出された77万ツイートの大規模なデータセットを紹介します。
  論文  参考訳（メタデータ） (2021-04-07T12:29:36Z)
• On Informative Tweet Identification For Tracking Mass Events [0.0]
  本研究では,対象イベントに関連するツイートを自動的に識別する機械学習手法について検討する。 本稿では,手作り機能と自動学習機能の両方を活用するハイブリッドモデルを提案する。 実世界の出来事の大規模なデータセットに関する実験により、後者のアプローチは前者よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-14T15:10:42Z)
• Urban Crowdsensing using Social Media: An Empirical Study on Transformer and Recurrent Neural Networks [0.7090165638014329]
  我々は、利用可能なソーシャルメディアデータセットを活用し、これらを2つの都市センシング問題の基盤として利用する。 この研究の主な貢献の1つは、TwitterとFlickrから収集したデータセットです。 2つの予備的な教師付き学習手法を用いて,本データセットの有用性を示す。
  論文  参考訳（メタデータ） (2020-12-05T15:36:50Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• Predicting event attendance exploring social influence [0.5134435281973136]
  イベント出席者に対する友人の社会的影響をモデル化することを提案する。 利用者の出席度を推定するために,ソーシャルグループ構造以外の非タグ付き投稿を考察する。 演奏評価は2つの大音楽祭データセットを用いて行う。
  論文  参考訳（メタデータ） (2020-02-16T20:03:29Z)

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。