通过图卷积注意力循环神经网络发现有效的影响者
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
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
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
为了解决复杂网络中最大化影响力的任务的效率和性能问题,本论文提出了一种名为 DREIM 的深度强化学习模型,它采用图神经网络作为编码器,采用强化学习作为解码器,通过在小型合成图上进行大量训练,在解决质量上超越了传统最佳影响力最大化算法,并展示了其对网络规模的线性可扩展性,从而证明了其优越性。
Sep, 2023
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
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
该论文描述了一种新型的神经检索模型 ——MP-HCNN,它是专门设计用于排名社交媒体短文本且具备区别于传统网页和新闻文档的特征,使用分层卷积层来学习语义匹配,混合了多种类型的匹配证据来衡量相似度,并且实验证明这种模型在 TREC 微博轨迹 2011-2014 数据集上具有比基于特征和现有神经排名模型更好的性能表现。
May, 2018
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
利用深度学习技术和社交媒体上的社会互动,提出了基于流行程度和扩散路径、时效性、个体偏好等特征的微博新闻内容推荐模型 ——Influence-Graph News Recommender (IGNiteR),并在两个真实数据集上展开大量实验。结果表明,它优于现有的基于深度学习的新闻推荐方法。
Oct, 2022