論文の概要: Adaptive Graph Convolution and Semantic-Guided Attention for Multimodal Risk Detection in Social Networks

• arxiv url: http://arxiv.org/abs/2509.16936v1
• Date: Sun, 21 Sep 2025 06:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.043239
• Title: Adaptive Graph Convolution and Semantic-Guided Attention for Multimodal Risk Detection in Social Networks
• Title（参考訳）: ソーシャルネットワークにおけるマルチモーダルリスク検出のための適応的グラフ畳み込みとセマンティックガイドによる注意
• Authors: Cuiqianhe Du, Chia-En Chiang, Tianyi Huang, Zikun Cui,
• Abstract要約: 本稿では,革新的なマルチモーダル方式でソーシャルメディア利用者の潜在的危険度を検出することに焦点を当てる。 自然言語処理(NLP)とグラフニューラルネットワーク(GNN)を統合した。 異なるプラットフォームからの実際のソーシャルメディアデータセットに対する実験は、我々のモデルが単一モダリティ法よりも大幅に改善できることを示します。
• 参考スコア（独自算出の注目度）: 1.1637069058198866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper focuses on the detection of potentially dangerous tendencies of social media users in an innovative multimodal way. We integrate Natural Language Processing (NLP) and Graph Neural Networks (GNNs) together. Firstly, we apply NLP on the user-generated text and conduct semantic analysis, sentiment recognition and keyword extraction to get subtle risk signals from social media posts. Meanwhile, we build a heterogeneous user relationship graph based on social interaction and propose a novel relational graph convolutional network to model user relationship, attention relationship and content dissemination path to discover some important structural information and user behaviors. Finally, we combine textual features extracted from these two models above with graph structural information, which provides a more robust and effective way to discover at-risk users. Our experiments on real social media datasets from different platforms show that our model can achieve significant improvement over single-modality methods.
• Abstract（参考訳）: 本稿では,革新的なマルチモーダル方式でソーシャルメディア利用者の潜在的危険度を検出することに焦点を当てる。 自然言語処理(NLP)とグラフニューラルネットワーク(GNN)を統合した。 まず、ユーザ生成テキストにNLPを適用し、セマンティック分析、感情認識、キーワード抽出を行い、ソーシャルメディア投稿から微妙なリスク信号を取得する。 一方,ソーシャルインタラクションに基づく異種ユーザ関係グラフを構築し,ユーザ関係,注目関係,コンテンツ拡散経路をモデル化し,重要な構造情報やユーザ行動を検出するための新たなリレーショナルグラフ畳み込みネットワークを提案する。 最後に、上記の2つのモデルから抽出したテキストの特徴をグラフ構造情報と組み合わせ、リスクのあるユーザを見つけるためのより堅牢で効果的な方法を提供する。 異なるプラットフォームからの実際のソーシャルメディアデータセットに対する実験は、我々のモデルが単一モダリティ法よりも大幅に改善できることを示します。

関連論文リスト

• LLMs Between the Nodes: Community Discovery Beyond Vectors [0.6445605125467574]
  ソーシャルネットワークグラフにおけるコミュニティ検出は、グループダイナミクス、影響経路、情報の拡散を明らかにする上で重要な役割を担っている。 大規模言語モデル(LLM)の最近の進歩は、このタスクに意味情報と文脈情報を統合するための新たな道を開く。 我々は,GPT-4oモデルとプロンプトベースの推論を利用して,言語モデル出力とグラフ構造を融合する2段階のフレームワークCommLLMを紹介した。
  論文  参考訳（メタデータ） (2025-07-29T20:47:54Z)
• 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)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
  我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。 KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。 さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
  論文  参考訳（メタデータ） (2021-10-08T09:13:51Z)
• Social Recommendation with Self-Supervised Metagraph Informax Network [21.41026069530997]
  本稿では,ユーザの好み表現に社会的・知識に配慮した関係構造を組み込む可能性について検討する自己改善メタグラフInfor-max Network(SMIN)を提案する。 高次協調信号を注入するために、自己教師付きグラフベース協調フィルタリングの下で相互情報学習パラダイムを一般化する。 いくつかの実世界のデータセットに対する実験結果から,SMINモデルが様々な最先端レコメンデーション手法に対して有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-08T08:18:37Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Graph-based Modeling of Online Communities for Fake News Detection [23.12016616717835]
  グラフニューラルネットワーク(GNN)に基づく新しいソーシャルコンテキスト対応フェイクニュース検出フレームワークを提案する。 提案フレームワークは,1) 配信されたコンテンツの性質,2) ユーザのコンテンツ共有行動,3) 利用者のソーシャルネットワークに関する情報を集約する。 筆者らは,本フレームワークが既存のテキストベースの手法よりも大幅に向上し,二つのドメインの偽ニュースデータセットの最先端結果が得られることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-08-14T10:01:34Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。