論文の概要: Contrastive Learning for Implicit Social Factors in Social Media Popularity Prediction

• arxiv url: http://arxiv.org/abs/2410.09345v1
• Date: Sat, 12 Oct 2024 03:25:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 15:03:37.987039
• Title: Contrastive Learning for Implicit Social Factors in Social Media Popularity Prediction
• Title（参考訳）: ソーシャルメディア人気予測における社会的要因のコントラスト学習
• Authors: Zhizhen Zhang, Ruihong Qiu, Xiaohui Xie,
• Abstract要約: 我々は、ポスト人気に影響を与えるソーシャルプラットフォームによってもたらされる要因について研究する。 これらの要因には、コンテンツ関連性、ユーザ影響の類似性、ユーザアイデンティティが含まれる。 本稿では、コンテンツ関連性、ユーザ影響の類似性、ユーザアイデンティティなど、人気に関する3つの暗黙的な社会的要因を提案する。
• 参考スコア（独自算出の注目度）: 12.798988947331596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: On social media sharing platforms, some posts are inherently destined for popularity. Therefore, understanding the reasons behind this phenomenon and predicting popularity before post publication holds significant practical value. The previous work predominantly focuses on enhancing post content extraction for better prediction results. However, certain factors introduced by social platforms also impact post popularity, which has not been extensively studied. For instance, users are more likely to engage with posts from individuals they follow, potentially influencing the popularity of these posts. We term these factors, unrelated to the explicit attractiveness of content, as implicit social factors. Through the analysis of users' post browsing behavior (also validated in public datasets), we propose three implicit social factors related to popularity, including content relevance, user influence similarity, and user identity. To model the proposed social factors, we introduce three supervised contrastive learning tasks. For different task objectives and data types, we assign them to different encoders and control their gradient flows to achieve joint optimization. We also design corresponding sampling and augmentation algorithms to improve the effectiveness of contrastive learning. Extensive experiments on the Social Media Popularity Dataset validate the superiority of our proposed method and also confirm the important role of implicit social factors in popularity prediction. We open source the code at https://github.com/Daisy-zzz/PPCL.git.
• Abstract（参考訳）: ソーシャルメディアの共有プラットフォームでは、一部の投稿は本質的に人気のために運命づけられている。 したがって、この現象の背景にある理由を理解し、出版前の人気を予測することは、かなりの実用的価値を持っている。 以前の研究は主に、より良い予測結果を得るために、ポストコンテンツ抽出の強化に重点を置いている。 しかし、社会プラットフォームによってもたらされた要因はポストの人気にも影響を与えており、広く研究されていない。 例えば、ユーザーはフォローしている個人からの投稿に関わりやすく、これらの投稿の人気に影響を与える可能性がある。 我々はこれらの要因を、内容の明示的な魅力とは無関係に、暗黙の社会的要因として表現する。 ユーザのポストブラウジング行動(パブリックデータセットでも検証される)の分析を通じて,コンテンツ関連性,ユーザ影響の類似性,ユーザアイデンティティなど,人気に関する3つの暗黙的な社会的要因を提案する。 提案する社会的要因をモデル化するために,教師付きコントラスト学習タスクを3つ導入する。 タスクの目的やデータタイプによって異なるエンコーダに割り当て、それらの勾配流を制御し、共同最適化を実現する。 また、比較学習の有効性を向上させるために、対応するサンプリングおよび拡張アルゴリズムを設計する。 ソーシャルメディア人気度データセットの大規模実験により,提案手法の優越性を検証し,人気予測における暗黙的社会的要因の重要性を検証した。 ソースコードはhttps://github.com/Daisy-zzz/PPCL.git.comで公開しています。

関連論文リスト

• 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)
• 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)
• Crowding out the truth? A simple model of misinformation, polarization and meaningful social interactions [0.0]
  ランキングアルゴリズムの重要なパラメータ、すなわち人気度とパーソナライズパラメータが、プラットフォームエンゲージメント、誤情報、偏光の尺度に与える影響を評価する。 その結果、オンラインソーシャルインタラクションやパーソナライズされたコンテンツに割り当てられる重みの増大は、ソーシャルメディアプラットフォーム上でのエンゲージメントを増大させる一方で、誤情報や偏光を増大させる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T13:26:08Z)
• An Empirical Investigation of Personalization Factors on TikTok [77.34726150561087]
  TikTokのアルゴリズムがプラットフォームの成功とコンテンツの配布に重要であるにもかかわらず、アルゴリズムの実証的な分析はほとんど行われていない。 我々は,私たちが開発したカスタムアルゴリズムを用いたソック・パペット・監査手法を用いて,TikTokへのアクセスに使用される言語と位置情報の効果を検証,分析した。 その結果,フォローフェールが最も強い影響を受けており,ライクフェールやビデオ視聴率が高いことが判明した。
  論文  参考訳（メタデータ） (2022-01-28T17:40:00Z)
• DFW-PP: Dynamic Feature Weighting based Popularity Prediction for Social Media Content [4.348651617004765]
  ソーシャルメディアプラットフォーム上でのコンテンツの過度な飽和は、コンテンツの人気に影響を与える重要な要因を特定するよう私たちを説得してきた。 DFW-PPフレームワークを提案し、時間とともに異なる特徴の重要性を学習する。 提案手法は,有望な結果を示すベンチマークデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-10-16T08:40:58Z)
• Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks [0.734084539365505]
  予測は典型的には教師なしまたは教師なしの学習に基づいている。 個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。 社会的認識が予測性能に大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-09-19T18:49:10Z)
• Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
  我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。 偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。 本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-20T19:37:04Z)
• Information Consumption and Social Response in a Segregated Environment: the Case of Gab [74.5095691235917]
  この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。 疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。 本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
  論文  参考訳（メタデータ） (2020-06-03T11:34:25Z)
• On the Limits to Multi-Modal Popularity Prediction on Instagram -- A New Robust, Efficient and Explainable Baseline [5.859055059050023]
  人口ベースの人気予測のための,頑健で効率的で説明可能なベースラインを提示する。 我々は,コンピュータビジョンにおける最新の手法を用いて,視覚的モダリティから抽出した情報を最大化する。 われわれの最強のモデルは、Instagramの人口ベースの人気予測可能性に限界があることを示唆している。
  論文  参考訳（メタデータ） (2020-04-26T21:21:50Z)
• 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。