論文の概要: Contextual Bandits for Maximizing Stimulated Word-of-Mouth Rewards

• arxiv url: http://arxiv.org/abs/2606.15146v1
• Date: Sat, 13 Jun 2026 06:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.940892
• Title: Contextual Bandits for Maximizing Stimulated Word-of-Mouth Rewards
• Title（参考訳）: 刺激語残響の最大化のための文脈帯域
• Authors: Ahmed Sayeed Faruk, Elena Zheleva,
• Abstract要約: ソーシャルネットワークを通じて刺激された言葉を最適化するには、最もこぼれやすい接続されたユーザーを特定し、ターゲティングする必要がある。 本稿では,各ユーザに対して,刺激された単語から得られる報酬を最大化するために,個人の流出確率とユーザランクを学習する新しいコンテキスト型マルチアーム・バンディット・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.185131234265025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stimulated word-of-mouth is a strategy that promotes information sharing through prompts or incentives. Optimizing stimulated word-of-mouth through social networks requires identifying and targeting connected users who are most susceptible to spillover, a phenomenon where the influence of recommendations extends beyond the immediate audience to impact their connected users. The probability of spillover varies across individuals, and their connections, leading to heterogeneity. Understanding and accurately estimating the spillover probabilities among users in social networks is crucial for improving the effectiveness of stimulated word-of-mouth. To address this, we present a novel contextual multi-armed bandit framework that learns individual spillover probabilities and ranks connected users to maximize rewards from stimulated word-of-mouth. Experiments on real-world network datasets demonstrate that accounting for spillover heterogeneity enhances the targeting precision of top-$k$ connected users, boosting rewards and outperforming baseline methods that do not learn individual spillover effects.
• Abstract（参考訳）: 刺激的口コミ(Stimulated word-of-mouth)は、インセンティブやインセンティブを通じて情報共有を促進する戦略である。 ソーシャルネットワークを通じて刺激された言葉を最適化するには、最もこぼれやすい接続ユーザーを特定し、ターゲティングする必要がある。 流出の確率は個人やその関係によって異なり、不均一性につながる。 ソーシャルネットワークにおけるユーザ間の流出確率の理解と正確な推定は、刺激された口語の有効性を向上させるために不可欠である。 そこで,本稿では,刺激された単語から得られる報酬を最大化するために,個々のスワップオーバー確率とユーザランクを学習する,コンテキスト型マルチアームバンディットフレームワークを提案する。 実世界のネットワークデータセットの実験では、スワップオーバーの不均一性の説明は、トップ$$$接続されたユーザのターゲット精度を高め、報酬を高め、個々のスワップオーバー効果を学習しないベースラインメソッドを上回ります。

関連論文リスト

• 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)
• Leveraging heterogeneous spillover in maximizing contextual bandit rewards [10.609670658904562]
  このような不均一な流出を、文脈的マルチアームバンディットが考慮できるフレームワークを提案する。 私たちのフレームワークは、既存の最先端ソリューションよりもはるかに高い報酬をもたらします。
  論文  参考訳（メタデータ） (2023-10-16T10:34:41Z)
• Incentivized Communication for Federated Bandits [67.4682056391551]
  我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。 本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
  論文  参考訳（メタデータ） (2023-09-21T00:59:20Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• GAC: A Deep Reinforcement Learning Model Toward User Incentivization in Unknown Social Networks [3.3946853660795884]
  本稿では,GAC(Geometric Actor-Critic)と呼ばれるエンドツーエンドの強化学習に基づくフレームワークを提案する。 提案したGACの性能を評価するために,実世界の3つのソーシャルネットワークデータセットを用いた。
  論文  参考訳（メタデータ） (2022-03-17T19:41:49Z)
• 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)
• Identifying Influential Users in Unknown Social Networks for Adaptive Incentive Allocation Under Budget Restriction [24.793013471521924]
  インセンティブ化はユーザの行動に影響を与えるためのより積極的な方法であることが証明されている。 未知ネットワークにおける影響力のあるユーザを探索するための新しいアルゴリズムを提案する。 ユーザの好みと影響能力に基づいてインセンティブ値を決定する適応型インセンティブアロケーション・アプローチを設計する。
  論文  参考訳（メタデータ） (2021-07-13T11:20:10Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

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。