DeepInf: 基于深度学习的社交影响预测
我们采用神经网络学习个人的多维表示,结合社交媒体上的丰富语言和网络证据,从而综合推断人们在线的潜在属性,包括性别、职业、位置和友谊,并在推特上实现了分类、学习表示和预测任务的提高性能。
Oct, 2015
本文提出了 DiffNet++ 算法,结合社交网络与兴趣网络,通过三个方面迭代聚合用户嵌入,设计了多级注意力网络,有效地解决了社交推荐中数据稀疏问题。
Jan, 2020
本文研究了在影响者检测中,利用动态图神经网络进行预测任务的不同配置,考虑到网络动态性与时间特征属性的影响,证明使用深度多重注意力和编码时间属性可以显著改善性能,在捕获邻域表示方面比使用网络中心度度量更有益。
Nov, 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
该研究提出了一个名为 DeepIM 的新框架,旨在解决学习为基础的影响最大化(IM)方法所面临的困难,该方法可以数据驱动地、端到端地学习多样化的信息传播模式,并设计了一个新的目标函数来推断出在灵活的基于节点中心性的预算约束下的最优种子集。
May, 2023
本文提出了一种新型的模型:深度兴趣网络 (DIN),它设计了一个本地激活单元来自适应地学习用户兴趣的表示,从历史行为的角度与某个广告相关。与固定长度向量相比,这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明,该方法展现出优越的性能,未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。
Jun, 2017
这篇论文提出了一种基于动态图神经网络的影响力预测框架,并结合了权重损失函数、SMOTE 和滚动窗口策略等方法来改善预测性能;作者使用了独有的企业数据集,其中包含三个城市的网络,并提出了一种基于利润的评估方法,结果表明采用 RNN 编码时序属性可以显著提高预测性能,捕捉图表示形式、时序依赖关系以及使用基于利润的方法进行评估的重要性。
Jul, 2023
本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法,结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。
Oct, 2015