論文の概要: Integrating Sequential and Relational Modeling for User Events: Datasets and Prediction Tasks

• arxiv url: http://arxiv.org/abs/2510.11903v1
• Date: Mon, 13 Oct 2025 20:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.085429
• Title: Integrating Sequential and Relational Modeling for User Events: Datasets and Prediction Tasks
• Title（参考訳）: ユーザイベントのシーケンスとリレーショナルモデリングの統合:データセットと予測タスク
• Authors: Rizal Fathony, Igor Melnyk, Owen Reinert, Nam H. Nguyen, Daniele Rosa, C. Bayan Bruss,
• Abstract要約: ユーザイベントモデリングは、eコマース、ソーシャルメディア、ファイナンス、サイバーセキュリティ、その他のドメインにまたがるユースケースを含む、多くの機械学習アプリケーションにおいて中心的な役割を果たす。 これらの2種類のイベントは通常、個人イベントのシーケンスベースのメソッドとリレーショナルイベントのグラフベースのメソッドを使用して、別々にモデル化される。 実際のシステムでは、両方のイベントタイプをキャプチャする必要があるが、以前の作業ではこれらを一緒に考えることはめったにない。 これは多くの場合、ユーザ動作がシーケンスまたはグラフとして単一の形式化によって適切に表現できるという便利な単純化によるものである。
• 参考スコア（独自算出の注目度）: 9.362679306539183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User event modeling plays a central role in many machine learning applications, with use cases spanning e-commerce, social media, finance, cybersecurity, and other domains. User events can be broadly categorized into personal events, which involve individual actions, and relational events, which involve interactions between two users. These two types of events are typically modeled separately, using sequence-based methods for personal events and graph-based methods for relational events. Despite the need to capture both event types in real-world systems, prior work has rarely considered them together. This is often due to the convenient simplification that user behavior can be adequately represented by a single formalization, either as a sequence or a graph. To address this gap, there is a need for public datasets and prediction tasks that explicitly incorporate both personal and relational events. In this work, we introduce a collection of such datasets, propose a unified formalization, and empirically show that models benefit from incorporating both event types. Our results also indicate that current methods leave a notable room for improvements. We release these resources to support further research in unified user event modeling and encourage progress in this direction.
• Abstract（参考訳）: ユーザイベントモデリングは、eコマース、ソーシャルメディア、ファイナンス、サイバーセキュリティ、その他のドメインにまたがるユースケースを含む、多くの機械学習アプリケーションにおいて中心的な役割を果たす。 ユーザイベントは、個々のアクションを含む個人イベントと、2人のユーザ間のインタラクションを含むリレーショナルイベントに大きく分類することができる。 これらの2種類のイベントは通常、個人イベントのシーケンスベースのメソッドとリレーショナルイベントのグラフベースのメソッドを使用して、別々にモデル化される。 実際のシステムでは、両方のイベントタイプをキャプチャする必要があるが、以前の作業ではこれらを一緒に考えることはめったにない。 これは多くの場合、ユーザ動作がシーケンスまたはグラフとして単一の形式化によって適切に表現できるという便利な単純化によるものである。 このギャップに対処するためには、個人イベントとリレーショナルイベントの両方を明示的に組み込んだパブリックデータセットと予測タスクが必要である。 本研究では,このようなデータセットの集合を導入し,統一的な形式化を提案し,モデルが両方のイベントタイプを組み込むことのメリットを実証的に示す。 私たちの結果は、現在の手法が改善の余地を残していることも示しています。 我々はこれらのリソースをリリースし、統合されたユーザイベントモデリングのさらなる研究を支援し、この方向性の進展を促します。

関連論文リスト

• Generating Event-oriented Attribution for Movies via Two-Stage Prefix-Enhanced Multimodal LLM [47.786978666537436]
  本稿では,2段階の事前修正強化MLLM (TSPE) アプローチを提案する。 局所的な段階では、1つのクリップ内の関連するマルチモーダル情報にフォーカスするようモデルに誘導する対話対応プレフィックスを導入する。 グローバルな段階では、推論知識グラフを用いて関連するイベント間の接続を強化する。
  論文  参考訳（メタデータ） (2024-09-14T08:30:59Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Organized Event Participant Prediction Enhanced by Social Media Retweeting Data [8.675064911866201]
  本稿では、ソーシャルメディアのリツイート活動データを利用して、イベント参加者予測モデルの学習を強化することを提案する。 実世界データを用いた総合的な実験を2つのシナリオで実施する。
  論文  参考訳（メタデータ） (2023-10-02T04:26:07Z)
• ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction [69.74158631862652]
  イベント関係抽出(ERE)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 複数種類の事象関係の連成抽出のためのプロトタイプ強化マッチング(ProtoEM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:26:06Z)
• Modeling Complex Event Scenarios via Simple Entity-focused Questions [58.16787028844743]
  複雑なシナリオにおけるイベントを参加者に関する質問に対する回答としてモデル化する質問誘導生成フレームワークを提案する。 生成プロセスの任意のステップでは、フレームワークは以前に生成されたイベントをコンテキストとして使用するが、3つの質問の1つに対する回答として次のイベントを生成する。 私たちの経験的評価は、この質問誘導世代が、参加者のより優れたカバレッジ、ドメイン内の多様なイベント、イベントシーケンスのモデリングにおける同等の難易度を提供することを示している。
  論文  参考訳（メタデータ） (2023-02-14T15:48:56Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• Modeling Continuous Time Sequences with Intermittent Observations using Marked Temporal Point Processes [25.074394338483575]
  人間の活動を通じて生成された大量のデータは、連続した時間のイベントのシーケンスとして表現することができる。 これらの連続的なイベントシーケンスに対するディープラーニングモデルは、非自明なタスクである。 本研究では,イベントシーケンスが欠落している場合にMTPPを学習するための新しい教師なしモデルと推論手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T18:23:20Z)
• A Graph Enhanced BERT Model for Event Prediction [35.02248467245135]
  BERTモデルを用いたイベントグラフの自動構築について検討する。 我々は、トレーニングプロセスにおけるイベント接続を予測するために、追加の構造化変数をBERTに組み込んだ。 シナリオイベント予測とストーリー終了予測という2つのイベント予測タスクの結果は,我々のアプローチが最先端のベースライン手法より優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-22T13:37:38Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Neural Hierarchical Factorization Machines for User's Event Sequence Analysis [21.13650689194003]
  本稿では,ユーザのイベントシーケンス上の階層的情報を取得するための2段階構造について考察する。 我々のモデルは最先端のベースラインに比べて性能が大幅に向上する。
  論文  参考訳（メタデータ） (2021-12-31T04:08:55Z)
• User-Dependent Neural Sequence Models for Continuous-Time Event Data [27.45413274751265]
  継続的イベントデータは、個々の行動データ、金融取引、医療健康記録などのアプリケーションで一般的である。 時間変化強度関数をパラメータ化するリカレントニューラルネットワークは、そのようなデータを用いた予測モデリングの最先端技術である。 本稿では,ニューラルマーク点過程モデルの幅広いクラスを,潜伏埋め込みの混合に拡張する。
  論文  参考訳（メタデータ） (2020-11-06T08:32:57Z)

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。