使用图神经网络预测推文互动
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
基于语义的图神经网络(SemanticGNN)是在大规模知识图谱中建模实体、语义概念、协作边和语义边,并对其进行表示学习的一种新颖的图模型,通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。
Dec, 2023
使用语义网络特征进行机器学习任务时,回归分析预测社交媒体用户未来活动需要丰富的特征。本研究通过使用语义网络作为用户级特征,并结合回归实验,表明该方法在预测社交媒体的响应率方面表现良好,适用于大型数据集。
Oct, 2023
利用 RecSys 挑战数据集和评估程序,研究了仅利用上下文是否能够预测推文互动概率,并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而,相较于只基于内容的模型和挑战胜利者开发的模型,这些基于上下文的模型在 RCE 得分方面表现出较低。因此,提出了改进实现的潜在改进方法。
Sep, 2023
社交媒体上恶劣行为的复苏对刻板观念、对个人和社会群体的仇恨言论以及虚假或扭曲的新闻产生了不良影响。引入基于图卷积数据的方法来更好地捕捉异构数据之间的依赖关系,为未来调节社交媒体平台上的交流提供了希望。我们提出并评估了一种基于图的方法来检测恶劣行为,具有普遍适用性,既不受语言也不受上下文限制。在本研究中,我们在几个 PAN 数据集上进行了实验验证,这些数据集是作为共享任务的一部分提供的,可以讨论所提出解决方案的结果。
Dec, 2023
利用社交网络和人工智能的知识图谱技术,提升社交媒体帖子的分类,以实现早期诊断心理障碍,并帮助医疗专家发现相关模式,从而改善个性化医疗的准确性。
Feb, 2024
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
本文旨在考虑排列用户通过交互推文中的电影评分影响力的效果,定义了包括基于用户、电影和推文的特征建立了分类模型进行预测,取得了比单独的回归模型更好的效果,本文的数据来源于 ACM RecSys Challenge 2014 中的 MovieTweeting 数据集。
Jan, 2015