論文の概要: Predicting Social Media Engagement from Emotional and Temporal Features

• arxiv url: http://arxiv.org/abs/2508.21650v1
• Date: Fri, 29 Aug 2025 14:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.06917
• Title: Predicting Social Media Engagement from Emotional and Temporal Features
• Title（参考訳）: 感情的・時間的特徴からソーシャルメディアのエンゲージメントを予測する
• Authors: Yunwoo Kim, Junhyuk Hwang,
• Abstract要約: 情緒的特徴と時間的特徴からソーシャルメディアのエンゲージメント(記事やお気に入り)を予測する機械学習手法を提案する。 データセットには、ヴァレンス、覚醒、関連する感情測定のためのアノテーションを備えた600曲が含まれている。 HistGradientBoostingRegressorに基づくマルチターゲット回帰モデルは、スキューされたターゲットに対応するためにログ変換されたエンゲージメント比に基づいて訓練される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a machine learning approach for predicting social media engagement (comments and likes) from emotional and temporal features. The dataset contains 600 songs with annotations for valence, arousal, and related sentiment metrics. A multi target regression model based on HistGradientBoostingRegressor is trained on log transformed engagement ratios to address skewed targets. Performance is evaluated with both a custom order of magnitude accuracy and standard regression metrics, including the coefficient of determination (R^2). Results show that emotional and temporal metadata, together with existing view counts, predict future engagement effectively. The model attains R^2 = 0.98 for likes but only R^2 = 0.41 for comments. This gap indicates that likes are largely driven by readily captured affective and exposure signals, whereas comments depend on additional factors not represented in the current feature set.
• Abstract（参考訳）: 情緒的特徴と時間的特徴からソーシャルメディアのエンゲージメント(記事やお気に入り)を予測する機械学習手法を提案する。 データセットには、ヴァレンス、覚醒、関連する感情測定のためのアノテーションを備えた600曲が含まれている。 HistGradientBoostingRegressorに基づくマルチターゲット回帰モデルは、スキューされたターゲットに対応するためにログ変換されたエンゲージメント比に基づいて訓練される。 決定係数(R^2)を含む標準回帰指標と、特大精度のカスタムオーダーで性能を評価する。 その結果,感情的・時間的メタデータは,既存の視点数とともに,将来的なエンゲージメントを効果的に予測できることが示唆された。 R^2 = 0.98 となるが、コメントの場合は R^2 = 0.41 となる。 コメントは現在の機能セットに表示されない追加の要素に依存しているのに対して、このギャップは、いいね!

関連論文リスト

• Temporal Interest Network for User Response Prediction [33.95334897033641]
  本稿では,行動と対象間の意味的・時間的相関を同時に捉えるための時間的関心ネットワーク(TIN)を提案する。 TINは2023年10月から運用に成功し、WeChat Momentsのトラフィックに対応している。
  論文  参考訳（メタデータ） (2023-08-15T05:48:44Z)
• Gender Biases in Automatic Evaluation Metrics for Image Captioning [87.15170977240643]
  画像キャプションタスクのためのモデルに基づく評価指標において、性別バイアスの体系的研究を行う。 偏りのある世代と偏りのない世代を区別できないことを含む、これらの偏りのあるメトリクスを使用することによる負の結果を実証する。 人間の判断と相関を損なうことなく、測定バイアスを緩和する簡便で効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:27:40Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• An Estimation of Online Video User Engagement from Features of Continuous Emotions [13.244780102036069]
  ポートレイティングの感情と信頼性は、ビデオコンテンツの魅力を高めることが知られている。 これらの信号から抽出した特徴をユーザエンゲージメント指標に対して検討する。 その結果,より小さな境界範囲とゆらぎがユーザのエンゲージメントを増加させることが示された。 複数のユーザーエンゲージメント指標を自動的に予測するためのアプローチについて、効果的な機能の組み合わせを概説します。
  論文  参考訳（メタデータ） (2021-05-04T17:18:47Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。