論文の概要: Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data

• arxiv url: http://arxiv.org/abs/2401.00893v1
• Date: Sun, 31 Dec 2023 05:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 15:20:12.944112
• Title: Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data
• Title（参考訳）: ソーシャルLLM:言語モデルとソーシャルネットワークデータを用いた大規模ユーザ行動モデリング
• Authors: Julie Jiang, Emilio Ferrara
• Abstract要約: 本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。 提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。 実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
• 参考スコア（独自算出の注目度）: 13.660150473547766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The proliferation of social network data has unlocked unprecedented opportunities for extensive, data-driven exploration of human behavior. The structural intricacies of social networks offer insights into various computational social science issues, particularly concerning social influence and information diffusion. However, modeling large-scale social network data comes with computational challenges. Though large language models make it easier than ever to model textual content, any advanced network representation methods struggle with scalability and efficient deployment to out-of-sample users. In response, we introduce a novel approach tailored for modeling social network data in user detection tasks. This innovative method integrates localized social network interactions with the capabilities of large language models. Operating under the premise of social network homophily, which posits that socially connected users share similarities, our approach is designed to address these challenges. We conduct a thorough evaluation of our method across seven real-world social network datasets, spanning a diverse range of topics and detection tasks, showcasing its applicability to advance research in computational social science.
• Abstract（参考訳）: ソーシャルネットワークデータの拡散は、人間の行動に関する広範なデータ駆動の探索において、前例のない機会を解放した。 ソーシャルネットワークの構造的複雑さは、様々な計算社会科学問題、特に社会的影響と情報拡散に関する洞察を提供する。 しかし、大規模なソーシャルネットワークデータのモデリングには計算上の課題が伴う。 大規模言語モデルは、テキストコンテンツのモデル化をこれまで以上に容易にするが、高度なネットワーク表現手法は、拡張性と非サンプルユーザへの効率的なデプロイに苦労する。 そこで本研究では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。 この革新的な手法は、大規模言語モデルの能力と局所的なソーシャルネットワークの相互作用を統合する。 ソーシャルネットワークのhomophily(ホモフィリー)という前提の下で運用されており、ソーシャルに繋がったユーザーが類似点を共有していると仮定している。 我々は,7つの実世界のソーシャル・ネットワーク・データセットにまたがる手法を徹底的に評価し,様々なトピックや検出タスクを網羅し,計算社会科学研究の先進性を示す。

関連論文リスト

• Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
  本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。 グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。 提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
  論文  参考訳（メタデータ） (2024-10-06T17:03:27Z)
• BotDGT: Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers [34.517897902575946]
  BotDGTはトポロジカルな構造を考慮した新しいフレームワークであるが、ソーシャルネットワークの動的な性質を効果的に取り入れている。 各歴史的スナップショットからトポロジ情報を取得するために構造モジュールが使用される。 時間的モジュールは、歴史的コンテキストを統合し、社会的ボットや正当なユーザによって提示される進化する行動パターンをモデル化するために提案される。
  論文  参考訳（メタデータ） (2024-04-23T14:19:13Z)
• Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future [59.78608958395464]
  私たちは、包括的な社会AI分類と480のNLPデータセットからなるデータライブラリで構成される、ソーシャルAIデータインフラストラクチャを構築しています。 インフラストラクチャにより、既存のデータセットの取り組みを分析し、異なるソーシャルインテリジェンスの観点から言語モデルのパフォーマンスを評価することができます。 多面的なデータセットの必要性、言語と文化の多様性の向上、より長期にわたる社会的状況、そして将来のソーシャルインテリジェンスデータ活動におけるよりインタラクティブなデータの必要性が示されている。
  論文  参考訳（メタデータ） (2024-02-28T00:22:42Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Sparsity-aware neural user behavior modeling in online interaction platforms [2.4036844268502766]
  ユーザ行動モデリングのための一般化可能なニューラル表現学習フレームワークを開発する。 問題設定は、トランスダクティブおよびインダクティブな学習シナリオにまたがる。 ユーザの振る舞いを反映した情報のさまざまな側面を活用して、大規模にパーソナライズされた推論を可能にする。
  論文  参考訳（メタデータ） (2022-02-28T00:27:11Z)
• PHASE: PHysically-grounded Abstract Social Events for Machine Social Perception [50.551003004553806]
  私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。 フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。 ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2021-03-02T18:44:57Z)
• CommuNety: A Deep Learning System for the Prediction of Cohesive Social Communities [14.839117147209603]
  画像を用いた結束型ソーシャルネットワーク予測のための深層学習システムCommuNetyを提案する。 提案したディープラーニングモデルは階層型CNNアーキテクチャで構成され,各結合ネットワークに関連する記述的特徴を学習する。 また、画像中の人物の存在を定量化するための新しい顔共起周波数アルゴリズムと、予測されたソーシャルネットワークにおける個人間の関係の強さを分析する新しい写真ランキング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-29T11:03:22Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。