論文の概要: HierCas: Hierarchical Temporal Graph Attention Networks for Popularity
Prediction in Information Cascades
- arxiv url: http://arxiv.org/abs/2310.13219v1
- Date: Fri, 20 Oct 2023 01:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 00:55:19.806430
- Title: HierCas: Hierarchical Temporal Graph Attention Networks for Popularity
Prediction in Information Cascades
- Title（参考訳）: HierCas: 情報カスケードにおける人気予測のための階層型時間グラフ注意ネットワーク
- Authors: Zhizhen Zhang, Xiaohui Xie, Yishuo Zhang, Lanshan Zhang, Yong Jiang
- Abstract要約: カスケード人気予測のための階層型時間グラフ注意ネットワーク(HierCas)という新しいフレームワークを提案する。
HierCasは、動的グラフモデリングアプローチによって、カスケードグラフ全体で動作する。
- 参考スコア（独自算出の注目度）: 27.426432942452994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Information cascade popularity prediction is critical for many applications,
including but not limited to identifying fake news and accurate
recommendations. Traditional feature-based methods heavily rely on handcrafted
features, which are domain-specific and lack generalizability to new domains.
To address this problem, researchers have turned to neural network-based
approaches. However, existing methods follow a sampling-based modeling
approach, potentially losing continuous dynamic information and
structural-temporal dependencies that emerge during the information diffusion
process. In this paper, we propose a novel framework called Hierarchical
Temporal Graph Attention Networks for cascade popularity prediction (HierCas).
Unlike existing methods, HierCas operates on the entire cascade graph by a
dynamic graph modeling approach, enabling it to capture the full range of
continuous dynamic information and explicitly model the interplay between
structural and temporal factors. By leveraging time-aware node embedding, graph
attention mechanisms and hierarchical pooling structures, HierCas effectively
captures the popularity trend implicit in the complex cascade. Extensive
experiments conducted on two real-world datasets in different scenarios
demonstrate that our HierCas significantly outperforms the state-of-the-art
approaches.
- Abstract（参考訳）: 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大きく依存している。
この問題に対処するため、研究者らはニューラルネットワークベースのアプローチに転換した。
しかし、既存の手法はサンプリングベースのモデリングアプローチに従い、情報拡散プロセス中に発生する連続的な動的情報と構造-時間依存を失う可能性がある。
本稿では,階層型時間グラフアテンションネットワークと呼ばれるカスケード人気予測(hiercas)のための新しい枠組みを提案する。
既存の方法とは異なり、HierCasは動的グラフモデリングアプローチによってカスケードグラフ全体で動作し、連続的な動的情報の完全な範囲を捉え、構造的要因と時間的要因の間の相互作用を明示的にモデル化することができる。
タイムアウェアノードの埋め込み、グラフアテンション機構、階層的なプール構造を活用することで、HierCasは複雑なカスケードで暗黙的な人気傾向を効果的に捉えます。
異なるシナリオにおける2つの実世界のデータセットで実施された大規模な実験は、我々のHierCasが最先端のアプローチを大きく上回っていることを示している。
関連論文リスト
- On the Power of Heuristics in Temporal Graphs [2.5957835343537266]
データセット間の信頼度と人気度の影響を定量化するメトリクスを導入します。
その結果、公正な比較を可能にし、より堅牢な時間グラフモデルの開発を促進するための洗練された評価手法の重要性を強調した。
論文 参考訳（メタデータ） (2025-02-07T13:28:31Z) - 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) - Explicit Time Embedding Based Cascade Attention Network for Information
Popularity Prediction [12.645792211510276]
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。
論文 参考訳（メタデータ） (2023-08-19T10:43:11Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - 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) - 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) - CasGCN: Predicting future cascade growth based on information diffusion
graph [5.925905552955426]
本稿ではカスケード成長予測のための新しいディープラーニングアーキテクチャCasGCNを提案する。
グラフ畳み込みネットワークを用いてグラフィカルな入力から構造的特徴を抽出し、次にアテンション機構を適用する。
2つの実世界のカスケード成長予測シナリオについて実験を行った。
論文 参考訳（メタデータ） (2020-09-10T21:20:09Z) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳（メタデータ） (2020-07-06T11:09:40Z)
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。