論文の概要: Dynamic hashtag recommendation in social media with trend shift detection and adaptation

• arxiv url: http://arxiv.org/abs/2504.00044v1
• Date: Sun, 30 Mar 2025 22:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 15:43:08.434382
• Title: Dynamic hashtag recommendation in social media with trend shift detection and adaptation
• Title（参考訳）: トレンドシフト検出と適応を伴うソーシャルメディアにおける動的ハッシュタグ推薦
• Authors: Riccardo Cantini, Fabrizio Marozzo, Alessio Orsino, Domenico Talia, Paolo Trunfio,
• Abstract要約: 本稿では,BERTに基づくハッシュタグ推薦手法であるH-ADAPTS(Hashtag recommendAtion by Detecting and adAPting to Trend Shifts)を提案する。 提案手法では,ハッシュタグの使用状況の変化を識別するトレンド認識検出機構を導入し,最近の記事の(小さな)集合に対する効率的なモデル適応を誘導する。 新型コロナウイルス(COVID-19)のパンデミックや2020年の米大統領選挙を含む2つの実世界のケーススタディの実験結果は、高いレコメンデーション精度を維持する能力を示している。
• 参考スコア（独自算出の注目度）: 0.8388591755871736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread use of social media platforms results in the generation of vast amounts of user-generated content, which requires efficient methods for categorization and search. Hashtag recommendation systems have emerged as a crucial tool for automatically suggesting relevant hashtags and improving content discoverability. However, existing static models struggle to adapt to the highly dynamic and real-time nature of social media conversations, where new hashtags emerge and existing ones undergo semantic shifts. To address these challenges, this paper presents H-ADAPTS (Hashtag recommendAtion by Detecting and adAPting to Trend Shifts), a BERT-based hashtag recommendation methodology that can detect and adapt to shifts in the main trends and topics underlying social media conversation. Our approach introduces a trend-aware detection mechanism to identify changes in hashtag usage, triggering efficient model adaptation on a (small) set of recent posts. The framework leverages Apache Storm for real-time stream processing, enabling scalable and fault-tolerant analysis of high-velocity social data. Experimental results on two real-world case studies, including the COVID-19 pandemic and the 2020 US presidential election, demonstrate the ability to maintain high recommendation accuracy by adapting to emerging trends. Our methodology significantly outperforms existing solutions, ensuring timely and relevant hashtag recommendations in dynamic environments.
• Abstract（参考訳）: ソーシャルメディアプラットフォームの普及により、膨大な量のユーザ生成コンテンツが生成される。 ハッシュタグレコメンデーションシステムは、関連するハッシュタグを自動的に提案し、コンテンツ発見性を向上させる重要なツールとして登場した。 しかし、既存の静的モデルは、ソーシャルメディアの会話の非常にダイナミックでリアルタイムな性質に適応するのに苦労し、そこでは新しいハッシュタグが出現し、既存のハッシュタグはセマンティックシフトを受ける。 本稿では,H-ADAPTS(Hashtag recommendAtion by Detecting and adAPting to Trend Shifts)を提案する。 提案手法では,ハッシュタグの使用状況の変化を識別するトレンド認識検出機構を導入し,最近の記事の(小さな)集合に対する効率的なモデル適応を誘導する。 このフレームワークはApache Stormをリアルタイムストリーム処理に利用し、高速なソーシャルデータのスケーラブルでフォールトトレラントな分析を可能にする。 新型コロナウイルス(COVID-19)のパンデミックや2020年の米大統領選挙を含む2つの実世界のケーススタディの実験的結果は、新興トレンドに適応して高いレコメンデーション精度を維持する能力を示している。 提案手法は既存のソリューションよりも優れており,動的環境における時間的および関連するハッシュタグレコメンデーションを保証する。

関連論文リスト

• Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation [47.827361176767944]
  シークエンシャルレコメンデーションは、ユーザが対話する可能性のある次の項目を予測することを目的として、現代のレコメンデーションシステムにおいて不可欠である。 現実のシナリオは、しばしば動的で、ユーザの関心事の変化を被る。 最近のテストタイムトレーニングは有望なパラダイムとして現れ、事前トレーニングされたモデルがテストデータに動的に適応できるようにする。 逐次レコメンデーションに適した2つのTest-Time Alignmentモジュールを導入することで,TTTのステートスペースモデルを活用した新しいモデルであるT$2$ARecを提案する。
  論文  参考訳（メタデータ） (2025-04-02T08:42:30Z)
• HyperMAN: Hypergraph-enhanced Meta-learning Adaptive Network for Next POI Recommendation [12.806603593513683]
  Next Point-of-Interest (POI) は、履歴チェックインシーケンスを活用することで、ユーザの次の位置を予測することを目的としている。 ヘテロジニアスなハイパーグラフモデリングと,次のPOIレコメンデーションのための難易度の高いメタラーニング機構を統合した,ハイパーグラフ強化メタラーニング適応ネットワーク(HyperMAN)を提案する。
  論文  参考訳（メタデータ） (2025-03-27T23:58:57Z)
• Towards Effective, Efficient and Unsupervised Social Event Detection in the Hyperbolic Space [54.936897625837474]
  この記事では、教師なしフレームワークHyperSED(Hyperbolic SED)を紹介します。 具体的には、まずソーシャルメッセージをセマンティックベースのメッセージアンカーにモデル化し、次にアンカーグラフの構造を利用する。 公開データセットの実験では、HyperSEDの競合性能と、大幅な効率向上が示されている。
  論文  参考訳（メタデータ） (2024-12-14T06:55:27Z)
• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• BERTrend: Neural Topic Modeling for Emerging Trends Detection [0.0]
  BERTrendは、大規模で進化しているテキストコーパスの出現傾向を監視する新しい方法である。 オンライン環境で神経トピックモデリングを使用して、意味のある弱い信号を正確に検出し、追跡する。 この手法は過去の出来事の振り返り分析にも利用できる。
  論文  参考訳（メタデータ） (2024-11-08T19:31:19Z)
• Online Feature Updates Improve Online (Generalized) Label Shift Adaptation [51.328801874640675]
  オンライン特徴更新を用いたオンラインラベルシフト適応法(OLS-OFU)は,自己教師付き学習を利用して特徴抽出プロセスを洗練する。 アルゴリズムを慎重に設計することで、OLS-OFUは改善された特徴を考慮しつつ、文献の結果に類似したオンライン後悔の収束を維持している。
  論文  参考訳（メタデータ） (2024-02-05T22:03:25Z)
• RIGHT: Retrieval-augmented Generation for Mainstream Hashtag Recommendation [76.24205422163169]
  我々はRIGHT(RetrIeval-augmented Generative Mainstream HashTag Recommender)を提案する。 RIGHTは3つのコンポーネントから構成される: 1) 検索者は、ツイートハッシュタグセット全体から関連するハッシュタグを検索する; 2) セレクタは、グローバル信号を導入して、メインストリームの識別を強化する; 3) ジェネレータは入力されたつぶやきと選択されたハッシュタグを組み込んで、目的のハッシュタグを直接生成する。 さらに,RIGHTを大規模言語モデルに統合することで,ChatGPTの性能を10%以上向上させることができる。
  論文  参考訳（メタデータ） (2023-12-16T14:47:03Z)
• A Conditioned Unsupervised Regression Framework Attuned to the Dynamic Nature of Data Streams [0.0]
  本稿では,制限付きラベル付きデータを用いたストリーミング環境の最適戦略を提案し,教師なし回帰のための適応手法を提案する。 提案手法は,初期ラベルのスパースセットを活用し,革新的なドリフト検出機構を導入する。 適応性を高めるために,Adaptive WINdowingアルゴリズムとRoot Mean Square Error (RMSE)に基づく誤り一般化アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2023-12-12T19:23:54Z)
• Learning to Rank in Generative Retrieval [62.91492903161522]
  生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。 我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。 このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
  論文  参考訳（メタデータ） (2023-06-27T05:48:14Z)
• Noise-Robust Dense Retrieval via Contrastive Alignment Post Training [89.29256833403167]
  Contrastive Alignment POst Training (CAPOT) は、指数再生を必要とせず、モデルロバスト性を改善する高効率な微調整法である。 CAPOTはドキュメントエンコーダを凍結することで堅牢な検索を可能にし、クエリエンコーダはノイズの多いクエリを修正されていないルートに整列させる。 MSMARCO、Natural Questions、Trivia QAパス検索のCAPOTノイズ変動を評価し、CAPOTがオーバーヘッドを伴わないデータ増大に類似した影響があることを発見した。
  論文  参考訳（メタデータ） (2023-04-06T22:16:53Z)
• TempoWiC: An Evaluation Benchmark for Detecting Meaning Shift in Social Media [17.840417362892104]
  我々は、ソーシャルメディアベースの意味変化の研究を加速するための新しいベンチマークであるTempoWiCを紹介する。 この結果から,ソーシャルメディアに特化した最近リリースされた言語モデルであっても,TempoWiCは難しいベンチマークであることがわかった。
  論文  参考訳（メタデータ） (2022-09-15T11:17:56Z)
• Non-Parametric Temporal Adaptation for Social Media Topic Classification [41.52878699836363]
  縦断的ハッシュタグ予測の課題を通じて時間適応について検討した。 本手法は,高コストな勾配ベースの更新を伴わずに,最高のパラメトリックベースラインよりも64.12%向上する。 我々の高密度検索手法は、データプライバシ法に従って動的に削除されるユーザデータにも適しており、計算コストと性能損失は無視できる。
  論文  参考訳（メタデータ） (2022-09-13T03:31:38Z)
• Leveraging Multiple Relations for Fashion Trend Forecasting Based on Social Media [72.06420633156479]
  Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。 KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。 長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
  論文  参考訳（メタデータ） (2021-05-07T14:52:03Z)
• Dynamic Social Media Monitoring for Fast-Evolving Online Discussions [39.81957479388813]
  高速なオンライン議論における関連情報のカバレッジを最大化するための動的キーワード検索手法を提案する。 単語埋め込みモデルを用いてキーワードと予測モデル間の意味関係を表現し、将来の時系列を予測する。 我々は,最近の就任式に関するダイナミックな会話を取り上げ,動的データ収集システムをテストするために,現代のケーススタディを実施している。
  論文  参考訳（メタデータ） (2021-02-24T23:00:42Z)

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。