通过时空交互挖掘大规模在线社交网络中的取消关注行为
此研究旨在将异构的用户行为与社会影响结合起来进行行为预测,并使用包括 LSTM 变体、多面向关系建模机制、多面向关注机制、社会行为图的无监督学习及基于残差学习生成高阶交叉特征的方法进行探讨,定量和定性实验表明该模型的有效性。
Jul, 2022
本研究分析了在线社交网络中用户行为、利用率等信息,并在高流行度的社交网络平台上对用户档案属性和印象频率之间的关系进行了三个月的监测和分析,结果显示接受联系人的人数和更新联系人信息的勤奋程度与概要请求的频率之间存在较强的关系,但是用户的整体活动、性别和参与时间没有明显的影响。
Mar, 2010
通过将社交网络影响视为用户感知的影响,开发了用于用户活动的概率模型,其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展,而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型,数值研究表明,在具有足够观察以确保准确模型学习的情况下,所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据,并展示了所提出方法在预测下一条推文的时间方面的效用。最后,该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。
May, 2013
社交网络数据的广泛增长为人类行为的广泛数据驱动型探索开辟了前所未有的机遇。然而,建模大规模社交网络数据面临计算挑战。为了应对这些挑战,我们提出了一种专门用于建模社交网络数据的创新方法,并结合了大型语言模型的功能。我们在七个真实世界的社交网络数据集上进行了彻底评估,并展示了其在计算社会科学研究中的适用性。
Dec, 2023
本文提出了一种从社交媒体用户活动的短时段中学习映射的方法,以产生用户固有特征相似度的向量空间,其中距离捕捉到相应用户的相似性,并通过 Reddit、Twitter 和 Wikipedia 的数据进行了全面评估。
Oct, 2019
该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中,增加了友谊算法和活动中心,从而提高了 POI 推荐系统的性能。实验结果表明,该模型在真实世界数据集上优于现有技术,精确率提高了 31% 和 14%。
Jan, 2022
本研究提出了一种新颖的神经网络模型,通过联合建模社交网络和移动轨迹,可以更好地分析和挖掘地理位置社交网络(LBSN)数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹,最终在两个重要应用的实验结果中验证了模型的有效性。
Jun, 2016
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