一种非参数贝叶斯方法用于在线活动预测
在线随机实验和 A/B 测试中,参与者包含率的准确预测是至关重要的,本文提出了一种新颖、直接且可扩展的贝叶斯非参数方法,用于预测在线 A/B 测试中个体接受干预的比率,并展示了其在实验和模拟数据上相对于现有方法的卓越性能。
Feb, 2024
本文研究了在不需要网络信息的情况下进行活动检测的问题,并采用了贝叶斯方法,该方法使用先验分布作为正则化,结合似然函数,得出了一种最大后验估计器和变分推断算法。广泛的模拟结果表明,即使没有这些系统参数的知识,所提出的方法仍然优于现有的协方差 - based 和近似传递信息方法。
Jan, 2024
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
本文提出了一种新的方法,旨在使多个认知无线电设备协作、使用贝叶斯非参数技术来估计原始用户的活动分布,进而通过形成联盟来优化算法性能,并得到了较高的准确性和性能优越性。
Feb, 2012
本文介绍了利用有关团队内相关用户的全面活动轨迹来预测商业向商业产品的转化,提出了一种使用分布式活动表示法构建种子列表的方法,使用来自 Yahoo Gemini 的数据来验证本方法,证明了本方法可以将转化预测 AUC 值提升 8.8%。
Aug, 2019
该论文提出了一种新方法,通过梯度聚合技术,学习所有用户的共同知识并在此基础上,为头部用户和尾部用户分别提供定制化的预测,从而显著提高了尾部用户的推荐效果。
Aug, 2022
本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息,预测了短消息的传播程度和转发总数,有效提前几分钟预测结果,对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。
Apr, 2013
本文利用行为模型和长度模型,针对不确定性进行建模,通过预测分布进行多样本采样,得到能够捕捉多模态未来活动的模型。在多个数据集上测试,模型在预测单个未来活动序列的准确性不受影响的同时,表现出较好的性能。
Aug, 2019