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
- TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - CasCIFF: A Cross-Domain Information Fusion Framework Tailored for
Cascade Prediction in Social Networks [4.480256642939794]
クロスドメイン情報融合フレームワーク(CasCIFF)は、情報カスケード予測に最適化されている。
このフレームワークは、ユーザ埋め込みを堅牢にするために、マルチホップ近隣情報を利用する。
特に、CasCIFFは、ユーザ分類とカスケード予測のタスクをシームレスに統合されたフレームワークに統合します。
論文 参考訳(メタデータ) (2023-08-09T13:52:41Z) - Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
時相グラフニューラルネットワークは時系列予測に有効であることが示されている。
本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。
このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
論文 参考訳(メタデータ) (2023-02-08T14:18:56Z) - AoI-based Temporal Attention Graph Neural Network for Popularity
Prediction and Content Caching [9.16219929722585]
情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。
本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。
また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
論文 参考訳(メタデータ) (2022-08-18T02:57:17Z) - 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) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - 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) - From Static to Dynamic Node Embeddings [61.58641072424504]
本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。
提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。
トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
論文 参考訳(メタデータ) (2020-09-21T16:48:29Z) - 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) - Prediction-Centric Learning of Independent Cascade Dynamics from Partial
Observations [13.680949377743392]
本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。
本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。
学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
論文 参考訳(メタデータ) (2020-07-13T17:58:21Z) - 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。