論文の概要: Influence Maximization in Temporal Social Networks with a Cold-Start Problem: A Supervised Approach

• arxiv url: http://arxiv.org/abs/2504.11245v1
• Date: Tue, 15 Apr 2025 14:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-24 00:28:29.166256
• Title: Influence Maximization in Temporal Social Networks with a Cold-Start Problem: A Supervised Approach
• Title（参考訳）: コールドスタート問題を伴う仮設ソーシャルネットワークにおける影響の最大化:監督的アプローチ
• Authors: Laixin Xie, Ying Zhang, Xiyuan Wang, Shiyi Liu, Shenghan Gao, Xingxing Xing, Wei Wan, Haipeng Zhang, Quan Li,
• Abstract要約: 時間グラフにおける影響最大化(IM)は、ネットワーク拡大の最大化に欠かせない影響のある「種子」を特定することに焦点を当てる。 インフェクトプロパゲーションパス(IPP)によるこれらの種の定義を提唱する。 我々の焦点はIPPを効率的にラベル付けし、これらの種を正確に予測することにある。
• 参考スコア（独自算出の注目度）: 16.047046903057225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Influence Maximization (IM) in temporal graphs focuses on identifying influential "seeds" that are pivotal for maximizing network expansion. We advocate defining these seeds through Influence Propagation Paths (IPPs), which is essential for scaling up the network. Our focus lies in efficiently labeling IPPs and accurately predicting these seeds, while addressing the often-overlooked cold-start issue prevalent in temporal networks. Our strategy introduces a motif-based labeling method and a tensorized Temporal Graph Network (TGN) tailored for multi-relational temporal graphs, bolstering prediction accuracy and computational efficiency. Moreover, we augment cold-start nodes with new neighbors from historical data sharing similar IPPs. The recommendation system within an online team-based gaming environment presents subtle impact on the social network, forming multi-relational (i.e., weak and strong) temporal graphs for our empirical IM study. We conduct offline experiments to assess prediction accuracy and model training efficiency, complemented by online A/B testing to validate practical network growth and the effectiveness in addressing the cold-start issue.
• Abstract（参考訳）: 時間グラフにおける影響最大化(IM)は、ネットワーク拡大の最大化に欠かせない影響のある「種子」を特定することに焦点を当てる。 ネットワークのスケールアップに不可欠なIPP(Empfect Propagation Paths)を通じて,これらの種を定義することを提唱する。 我々の焦点はIPPを効率的にラベル付けし、これらの種を正確に予測することにある。 提案手法では,マルチリレーショナル時間グラフに適したモチーフベースのラベリング手法とテンソル化テンポラルグラフネットワーク(TGN)を導入し,予測精度と計算効率を向上させる。 さらに、同種のIPPを共有する履歴データから、コールドスタートノードを新しい隣人と拡張する。 オンラインチームベースのゲーム環境におけるレコメンデーションシステムは、ソーシャルネットワークに微妙な影響を与え、経験的IM研究のためのマルチリレーショナル(弱い、強い)時間グラフを形成する。 我々は,オンラインA/Bテストによって補完される予測精度とモデルトレーニング効率を評価するオフライン実験を行い,ネットワークの実用的成長とコールドスタート問題への対処の有効性を検証した。

関連論文リスト

• GNN-Based Candidate Node Predictor for Influence Maximization in Temporal Graphs [3.3853959586196645]
  本稿では,グラフネットワークとBidirectional Long Short-Term Memory (BiLSTM)モデルを統合する学習ベースアプローチを提案する。 BiLSTMは、過去と将来のネットワーク状態からパターンを分析し、時間の経過とともに変更への適応性を保証します。 本手法は,時間的ダイナミクスの理解が不可欠であるバイラルマーケティングやソーシャルネットワーク分析などの分野において,特に有効である。
  論文  参考訳（メタデータ） (2025-03-31T04:28:37Z)
• Efficient and Privacy-Preserved Link Prediction via Condensed Graphs [49.898152180805454]
  本稿では,HyDROtextsuperscript+について紹介する。 提案手法は,従来のネットワーク上でのリンク予測と比較して,約20*高速なトレーニングを実現し,ストレージ要求を452*削減する。
  論文  参考訳（メタデータ） (2025-03-15T14:54:04Z)
• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
  動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。 時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。 本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
  論文  参考訳（メタデータ） (2024-01-15T07:35:29Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization [53.11458949694947]
  本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。 提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
  論文  参考訳（メタデータ） (2022-06-29T18:17:28Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks [1.213512753726579]
  ネットワーク構造が時間とともに変化するため、クリティカルノードを特定することは困難である。 本稿では,特殊なGCNとRNNを組み合わせた,新しい効果的な学習フレームワークを提案する。 4つの実世界の時間ネットワークに対する実験結果から,提案手法は従来のベンチマーク法とディープラーニングベンチマーク法の両方より優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-19T04:16:18Z)

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。