Fugu-MT 論文翻訳(概要): Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach

論文の概要: Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach

arxiv url: http://arxiv.org/abs/2410.04552v1
Date: Sun, 6 Oct 2024 17:03:27 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 06:46:25.714216
Title: Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach
Title（参考訳）: 学術ネットワークを用いたソーシャルメディア推薦効果のモデル化 : グラフニューラルネットワークによるアプローチ
Authors: Sabrina Guidotti, Gregor Donabauer, Simone Somazzi, Udo Kruschwitz, Davide Taibi, Dimitri Ognibene,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.138915764680197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The widespread use of social media has highlighted potential negative impacts on society and individuals, largely driven by recommendation algorithms that shape user behavior and social dynamics. Understanding these algorithms is essential but challenging due to the complex, distributed nature of social media networks as well as limited access to real-world data. This study proposes to use academic social networks as a proxy for investigating recommendation systems in social media. By employing Graph Neural Networks (GNNs), we develop a model that separates the prediction of academic infosphere from behavior prediction, allowing us to simulate recommender-generated infospheres and assess the model's performance in predicting future co-authorships. Our approach aims to improve our understanding of recommendation systems' roles and social networks modeling. To support the reproducibility of our work we publicly make available our implementations: https://github.com/DimNeuroLab/academic_network_project
Abstract（参考訳）: ソーシャルメディアの普及により、社会や個人に対する潜在的なネガティブな影響が浮き彫りにされ、主にユーザーの行動や社会的ダイナミクスを形作るレコメンデーションアルゴリズムによって引き起こされた。これらのアルゴリズムを理解することは必須だが、ソーシャルメディアネットワークの複雑で分散した性質と、現実世界のデータへのアクセス制限のために難しい。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)を用いることで,学術的インフォスフィアの予測と行動予測を分離するモデルを構築し,推薦者生成インフォスフィアをシミュレートし,将来的な共著者予測におけるモデルの性能を評価する。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。作業の再現性をサポートするため、 https://github.com/DimNeuroLab/academic_network_project という実装を公開しています。

関連論文リスト

AI Can Enhance Creativity in Social Networks [1.8317588605009203]
我々は、意味的特徴とネットワーク構造的特徴を用いて、人々の思考性能を予測するモデルを訓練した。 SocialMuseは、予測パフォーマンスを最大化し、ピアレコメンデーションを生成する。ソーシャルミューズを用いた治療ネットワークは,いくつかの創造性対策において,AIに依存しない制御ネットワークよりも優れていた。
論文参考訳（メタデータ） (2024-10-20T03:33:25Z)
Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
論文参考訳（メタデータ） (2024-05-27T02:45:01Z)
Link Prediction for Social Networks using Representation Learning and Heuristic-based Features [1.279952601030681]
ソーシャルネットワークのリンク不足を効率的に予測することは、現代の様々なビジネスアプリケーションに役立つ。本稿では,ソーシャルネットワークにおけるノードとエッジの表現を生成するための様々な特徴抽出手法について検討する。
論文参考訳（メタデータ） (2024-03-13T15:23:55Z)
Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data [13.660150473547766]
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。
論文参考訳（メタデータ） (2023-12-31T05:13:13Z)
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)
Realistic Synthetic Social Networks with Graph Neural Networks [1.8275108630751837]
合成ソーシャルネットワークのためのネットワーク生成のためのグラフニューラルネットワーク(GNN)モデルの可能性を評価する。我々は,現実的な合成ネットワークの挙動を評価するための,ソーシャルネットワーク固有の測定結果を含む。我々は,GRAN(Gated Recurrent Attention Network)がソーシャルネットワークによく適用され,一般的なルールベースのRecursive-MATrix (R-MAT) 手法と比較すると,現実的な構造力学を再現しやすくなっていることがわかった。
論文参考訳（メタデータ） (2022-12-15T14:04:27Z)
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)
Recursive Social Behavior Graph for Trajectory Prediction [49.005219590582676]
我々は、グループベースのアノテーションによって管理される社会表現を、再帰的社会行動グラフと呼ばれる社会行動グラフに定式化する。再帰的社会行動グラフ(Recursive Social Behavior Graph)のガイダンスにより、EDHおよびUCYデータセットにおける最先端の手法をADEの11.1%、FDEの10.8%で上回る。
論文参考訳（メタデータ） (2020-04-22T06:01:48Z)
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。