MMMar, 2020

DeepCP：基于深度学习的级联预测驱动的封闭社交网络自主内容放置

PDF
TL;DR本文介绍了一种基于深度学习的数据驱动框架 DeepCP，通过预测内容流行度和传播模式，提出了自主内容放置机制 CP-GAN 以降低内容访问延迟和增强用户体验，以在微信朋友圈中实现有效的内容放置。实验表明 DeepCP 能够高精度地预测内容流行度，快速生成有效的内容放置决策。
发现论文，激发创造
  • 基于耦合图神经网络的社交平台流行度预测

    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

  • 深度时间上下文网络顺序预测社交媒体流行度

    研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

    Dec, 2017

  • 基于偏好增强的社交影响建模用于网络感知级联预测

    该论文提出了一种新的框架来提高级联大小预测的准确性，通过三个阶段改进了用户偏好模型，即偏好主题生成，偏好转移建模和社会影响激活。实验表明相比现有模型，该模型更加准确和有效。

    Apr, 2022

  • DeepCas: 一种端到端的信息串联预测器

    研究了一种利用深度学习技术预测信息级联大小的方法，并发现该方法可以显著提高级联预测的性能。

    Nov, 2016

  • DeepInf: 基于深度学习的社交影响预测

    作者设计了一个端到端的深度神经网络框架 DeepInf，用于学习用户的潜在特征表示以预测社交影响，并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。

    Jul, 2018

  • 动态深度图卷积网络用于人格检测

    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

  • 基于聚类联邦学习的雾计算无线接入网络内容流行度预测

    本研究探讨了雾计算无线接入网络（F-RANs）中的内容流行度预测问题。通过聚类联合学习，提出了一种新的移动性感知流行度预测策略，该策略集成了针对本地用户和移动用户的内容流行度。借助双通道神经网络模型，结合本地用户和内容的隐藏特征，实现了对本地用户内容流行度的预测。同时借助用户偏好学习方法实现了对移动用户内容流行度的预测。通过聚类联合学习，提高了内容流行度预测性能。

    Jun, 2022

  • 无处可藏：双重深度交互通道网络基于数据增强用于假新闻检测

    本篇论文提出了一种基于语义、情感和数据增强的小样本下假新闻检测方法，并引入情感演进模式和双深度交互通道网络，同时设计数据增强模块提高模型性能。实验证明该方法优于现有方法。

    Mar, 2023

  • 基於明確時間嵌入的級聯注意網路用於信息流行度預測

    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

  • HierCas：基于层次化时间图注意力网络的信息传播中的流行度预测

    本文提出了一种名为 HierCas 的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas 有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的 HierCas 明显优于最先进的方法。

    Oct, 2023