Oct, 2023

基于上下文的在线社交平台用户参与度预测

PDF
TL;DR在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。
online social platformscontext-aware modelinguser engagementdeep lstm neural networkscontext information
发现论文，激发创造
  • 基于上下文的推文互动预测

    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

  • 基于智能手机嵌入式传感器数据的用户社交环境和熟悉场所的设备端建模

    该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。

    Jun, 2023

  • 联合考虑上下文和用户历史信息的在线对话重返预测

    研究在线交流中重新参与预测的问题，提出了一个基于神经网络的框架，考虑了对话上下文和用户历史信息，实验结果表明该模型较之前的方法表现更优

    Jun, 2019

  • 融合物理和虚拟传感器数据的用户情境轻量级建模

    本文介绍了一个框架，可收集来自个人移动设备的数据集，包含异构传感器数据，使用六种降维技术，可以在保持准确率损失小于 3% 的情况下，实现 10 倍加速和超过 90% 的特征减少，从而提高上下文分类能力。

    Jun, 2023

  • 使用应用动作图表表征和预测用户参与度：以 Snapchat 为例的案例研究

    本研究通过构建行动图和高阶图特征提出了一种用户移动社交应用程序参与预测框架，并用于 150k Snapchat 新用户的预测。

    Jun, 2019

  • 融合异构用户行为和社交影响的预测分析

    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

  • 社交媒体应用顺序可预测：使用 LSTM 和 Transformer 神经网络建模习惯行为

    通过对连续智能手机用户行为的预测建模，本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆（LSTM）和变压器神经网络，我们展示了社交媒体使用在个人内部和个人之间是可预测的，同时在个体之间的预测差异也是稳健的。

    Apr, 2024

  • 释放上下文的力量：利用基于上下文的预测模型增强大规模推荐系统

    引入了 Context-Based Prediction Models 这一概念，通过仅依赖用户和环境特征，而不考虑物品特定特征的方式来预测用户的行为概率，该方法在许多有价值的应用中表现出显著优势，包括训练辅助的上下文模型以估计点击概率，并将其预测作为 CTR 预测模型的一个特征进行加入，实验证明这种改进在离线和在线业务指标上带来了显著的提升，而对服务成本几乎没有影响，总体上，我们的工作为大规模商业推荐系统的性能提升提供了一种简单且可扩展却强大的方法，对个性化推荐领域具有广泛的影响。

    Jul, 2023

  • 了解你的 FATE: 在社交应用中预测用户参与度的友谊，行动和时间解释

    本文针对社交网络应用中用户参与度预测问题，提出了可解释的用户参与度预测模型 FATE，并在 Snapchat 两个大规模数据集上进行了广泛的实验，得到显著的预测精度提升和运行时间缩短。

    Jun, 2020

  • EnrichEvent：为新兴事件提取丰富的社交数据和背景信息

    社交平台是传播和讨论真实事件信息的关键平台，本研究提出了一种利用社交数据的词汇、语义和上下文表示来检测社交事件的框架，通过利用上下文知识在最早的阶段检测语义相关的推文并提高聚类质量，进而展示每个事件的演变变化。经过广泛实验验证了该框架在检测和区分社交事件方面的有效性。

    Jul, 2023