論文の概要: Benchmarking Multi-Modal Graph-based Social Media Popularity Prediction

• arxiv url: http://arxiv.org/abs/2606.27539v1
• Date: Thu, 25 Jun 2026 20:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.312958
• Title: Benchmarking Multi-Modal Graph-based Social Media Popularity Prediction
• Title（参考訳）: マルチモーダルグラフに基づくソーシャルメディア人気予測のベンチマーク
• Abstract要約: マルチモーダルグラフベースの人気予測ベンチマークであるMMG-Popを紹介する。 また,MMG-PopNetは,上記マルチモーダル信号とグラフ構造化ソーシャルインタラクションを協調的にモデル化する統合マルチモーダルグラフベースのネットワークである。 これらの知見は、異質なモダリティと社会的に認識されるエージェント生態系パラダイムの下での社会動態モデリングと介入に関する将来の研究のための統一的な基盤を確立する。
• 参考スコア（独自算出の注目度）: 9.450213651192836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media popularity prediction aims to forecast the future reach or influence of online content from early-stage observations. Accurate prediction enables key downstream applications, such as advertising optimization and strategic content planning by users, creators, and platforms. Despite substantial progress, existing popularity prediction works often fail to jointly consider multimodal content and temporal social interaction signals. Moreover, the literature remains highly fragmented across datasets, modalities, observation windows, prediction targets, and evaluation protocols. This fragmentation prevents fair comparison and obscures a systematic understanding of how textual, visual, temporal, and interaction-based signals jointly shape popularity dynamics. To address these challenges, we introduce MMG-Pop, a Multi-modal Graph-based Popularity Prediction benchmark, which unifies datasets, modalities, temporal interaction signals, and representative baselines under a standardized evaluation protocol. Furthermore, we propose MMG-PopNet, a unified multi-modal graph-based network that jointly models the aforementioned multi-modal signals and graph-structured social interactions. Extensive experiments on MMG-Pop, comprising four datasets across Bluesky and Reddit platforms, demonstrate the superior performance of MMG-PopNet and yield new insights into cross-platform training generalization, multi-task prediction benefits, multi-modality contributions, and LLM prediction limitation. These findings establish a unified foundation for future research on social dynamics modeling and intervention under heterogeneous modalities and socially-aware agentic ecosystem paradigms.
• Abstract（参考訳）: ソーシャルメディアの人気予測は、早期の観察からオンラインコンテンツの今後のリーチや影響を予測することを目的としている。 正確な予測は、広告最適化やユーザ、クリエーター、プラットフォームによる戦略的コンテンツ計画といった重要な下流アプリケーションを可能にする。 かなりの進歩にもかかわらず、既存の人気予測作業は、多モーダルコンテンツと時間的社会的相互作用のシグナルを共同で考慮することができないことが多い。 さらに、文献はデータセット、モダリティ、観察ウィンドウ、予測ターゲット、評価プロトコルにまたがって非常に断片化されている。 この断片化は、公正な比較を防ぎ、テキスト、視覚的、時間的、相互作用に基づく信号がいかにして人気ダイナミクスを結合的に形作るかの体系的な理解を曖昧にする。 これらの課題に対処するために、標準化された評価プロトコルの下でデータセット、モダリティ、時間的相互作用信号、代表ベースラインを統一するマルチモーダルグラフベースの人気度予測ベンチマークであるMMG-Popを導入する。 さらに,MMG-PopNetは,上記のマルチモーダル信号とグラフ構造化ソーシャルインタラクションを協調的にモデル化する統合マルチモーダルグラフベースのネットワークである。 BlueskyとRedditプラットフォームにまたがる4つのデータセットからなるMMG-Popに関する大規模な実験は、MMG-PopNetの優れたパフォーマンスを示し、クロスプラットフォームトレーニングの一般化、マルチタスク予測のメリット、マルチモダリティのコントリビューション、LLM予測の制限に関する新たな洞察を得る。 これらの知見は、異質なモダリティと社会的に認識されるエージェント生態系パラダイムの下での社会動態モデリングと介入に関する将来の研究のための統一的な基盤を確立する。

関連論文リスト

• Detecting AI-Generated Content on Social Media with Multi-modal Language Models [47.35729326899949]
  既存のAIGC検出手法は、新しい世代モデルへの一般化の欠如を含む課題に直面している。 多様なマルチモーダルなソーシャルメディアデータをキュレートすることで、これらの問題を緩和するパイプラインを提示する。 提案モデルは,公開ベンチマーク上での最先端検出性能を実現し,ロバストな検出と説明機能を示す。
  論文  参考訳（メタデータ） (2026-04-21T20:05:02Z)
• DynamiX: Large-Scale Dynamic Social Network Simulator [101.65679342680542]
  DynamiXは、動的ソーシャルネットワークモデリングに特化した新しい大規模ソーシャルネットワークシミュレータである。 世論のリーダーに対しては、情報ストリームに基づくリンク予測手法を提案し、同様の姿勢で潜在的ユーザを推薦する。 一般ユーザに対しては,不等式指向の行動決定モジュールを構築する。
  論文  参考訳（メタデータ） (2025-07-26T12:13:30Z)
• HyperFusion: Hierarchical Multimodal Ensemble Learning for Social Media Popularity Prediction [16.78634288864967]
  ソーシャルメディアの人気予測は、コンテンツ最適化、マーケティング戦略、デジタルプラットフォーム全体のユーザエンゲージメント向上において重要な役割を果たす。 本稿では,ソーシャルメディアの人気予測のための階層型マルチモーダルアンサンブル学習フレームワークHyperFusionを提案する。
  論文  参考訳（メタデータ） (2025-07-01T16:31:50Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• Towards Online Multi-Modal Social Interaction Understanding [36.37278022436327]
  本稿では,記録された対話やビデオストリームなどの履歴情報のみを用いて,MMSIタスクをモデルが解決しなければならないオンラインMMSI設定を提案する。 マルチパーティ会話予測とソーシャル・アウェア・ビジュアル・プロンプトという2つの補完的戦略を活用する新しいフレームワークである Online-MMSI-VLM を開発した。 提案手法は最先端の性能を達成し,ベースラインモデルを大幅に上回り,オンラインMMSIにおける有効性を示す。
  論文  参考訳（メタデータ） (2025-03-25T17:17:19Z)
• PMM-Net: Single-stage Multi-agent Trajectory Prediction with Patching-based Embedding and Explicit Modal Modulation [6.793915571620126]
  本稿では,マルチエージェント軌道予測フレームワークの定式化について検討する。 本稿では,パッチベースの時間的特徴抽出モジュールとグラフベースのソーシャル特徴抽出モジュールを提案する。 本稿では,時間的特徴と社会的特徴を統合し,効率的な単一ステージ推論パイプラインを構築するための,明示的なモダリティ変調に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-25T13:16:27Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Social-STAGE: Spatio-Temporal Multi-Modal Future Trajectory Forecast [28.14120504421402]
  マルチモダリティの新たな評価手法として,ソーシャル・ステージ(Social-STAGE)とソーシャル・インタラクションを意識した時空間マルチアテンショングラフ畳み込みネットワークを提案する。 本研究の主な貢献は、インタラクションとマルチアテンションを用いたランキングによるマルチモーダルの分析と定式化、およびマルチモーダル予測の多様性と関連する信頼性を評価するための新しい指標の導入である。
  論文  参考訳（メタデータ） (2020-11-10T01:18:57Z)

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。