深度时间上下文网络顺序预测社交媒体流行度
为降低因高清视频流服务和大型神经网络模型如 GPT 带来的流量压力,本研究提出了一种名为 “语义增强时间图网络(STGN)” 的方法,采用动态图神经网络(DGNN)模型预测最流行的内容进行缓存,该模型还引入了额外的语义信息来更好地利用用户之间的联系,以及通过多种机制完成对内容的预测,通过大量仿真实验证明了其在内容缓存方面的优越性。
Jan, 2023
提出了一种名为依赖感知序列网络 (Dependency-aware Sequence Network, DSN) 的新型预测框架,该框架充分利用了社交媒体帖子之间的多个依赖关系,通过多模态特征提取器和层级信息传播方法提高了预测准确度,并使用循环网络和多头注意力机制进行本地时间处理和长期依赖建模。在 Social Media Popularity Dataset 上的实验结果表明,与现有的最先进模型相比,本方法表现出更高的优越性。
Jul, 2023
在这篇论文中,我们提出了一种名为 CoupledGNN 的新方法,该方法使用两个耦合的图神经网络来捕捉节点激活状态和影响传播之间的相互作用,从而精确地预测社交平台上的信息传播。我们在 Sina Weibo 数据集上进行的实验证明,与各种现有方法相比,我们的方法显著提高了流行度预测的准确性。
Jun, 2019
本文提出了一个名为 Multi-scale Temporalization 的新的计算框架,通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度,从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模 Flickr 图像数据集上进行实证评估,结果表明我们的方法在预测准确性方面具有明显的优势。
Dec, 2017
本文研究在线视频传播中的受欢迎程度预测问题,证明可以使用深度神经网络结构,将其作为分类任务来解决。我们提出了一种基于长期循环卷积网络 (LRCN) 的新方法来提取视频中的视觉线索,并将信息的时序性纳入模型。在 Facebook 上发布的超过 37,000 个视频数据集上表明,我们的方法的预测性能比传统浅层方法提高了 30%以上,并为内容创建者提供了有价值的见解。
Jul, 2017
本研究提出了一种使用 Hierarchical Temporal Convolutional Networks (HierTCN) 的推荐系统,以动态预测用户将选择的下一个物品,该模型由两个级别的模型组成,可用于拥有大量用户和物品的 Web 规模系统,并可以超越动态推荐方法的最新水平。
Apr, 2019
基于时间嵌入的级联注意力网络(TCAN)是一个面向大规模信息网络的新型流行度预测架构,通过将时间属性嵌入到节点特征中,并利用级联图注意力编码器(CGAT)和级联序列注意力编码器(CSAT)来完全学习级联图和级联序列的表示,从而实现对信息流的预测。
Aug, 2023
本文提出了一种动态深层图卷积网络(D-DGCN)用于预测个性特征,结合多跳结构自动学习帖子之间 的连接,通过对 Kaggle 数据集实验结果表明 D-DGCN 优于现有技术基准的性能表现。
Dec, 2022
提出一种基于多视图图卷积神经网络 (ACMV-GCNs) 的深度学习模型来预测未来城市人口,该模型利用城市环境信息构建多图并加入注意力机制以考虑情境影响,并通过移动电话收集的人口统计数据表明表现优于基准方法。
Mar, 2022
该研究提出了基于动态图注意力神经网络的在线社区推荐系统,能够模拟用户动态行为,并根据用户当前兴趣动态推断影响因素,经实验验证,其效果优于现有的各种方法。
Feb, 2019