Apr, 2024

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

PDF
TL;DR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。
social media habitspredictive modelingsequential smartphone user behaviorslong short-term memory (lstm)transformer neural networks
发现论文，激发创造
  • 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

  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • 基于上下文的在线社交平台用户参与度预测

    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。

    Oct, 2023

  • 智能消息行为识别系统

    通过引入 Image Retweet Modeling (IRM) 这一网络模型，本研究探讨了短信息服务（SMS）中预测图片转发的问题，并对用户在 Twitter 上分享照片的行为进行预测。该研究提出了一种基于文本引导的多模神经网络方法，能够学习图像 Twitter 表示和用户偏好表示，并在广泛数据集上的多次实验证明本方法在社交网络平台中的预测任务上优于当前方法。

    Apr, 2024

  • 一种神经网络方法：联合建模社交网络和移动轨迹

    本研究提出了一种新颖的神经网络模型，通过联合建模社交网络和移动轨迹，可以更好地分析和挖掘地理位置社交网络（LBSN）数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹，最终在两个重要应用的实验结果中验证了模型的有效性。

    Jun, 2016

  • 个性化记忆的生命周期序列建模用于用户响应预测

    该研究使用分层周期性记忆网络实现在线服务中用户响应预测的持续顺序建模，实现个性化内存化的顺序模式，并在三个大规模真实世界数据集上展示了显著的用户响应预测表现优势。

    May, 2019

  • 社交媒体上的病理赌博风险预测

    通过将时间特征和情感特征纳入模型，本文解决了在社交媒体数据上进行风险预测的问题，着重于对 Reddit 用户进行病态赌博障碍的分类。通过实验证明了序列模型在性能上优于基于连接的模型，提出的架构在包含 EmoBERTa 和 TD 层的情况下取得了高 F1 分数，在赌博障碍数据集上超过了现有基准。

    Mar, 2024

  • 变形金刚网络用于轨迹预测

    本文研究了采用 Transformer Networks 进行轨迹预测，提出了简单模型每个人单独建模的方法，发现使用 Transformers 可以处理现实传感器数据中缺失的观测值，并在轨迹预测基准测试上取得了最好的分数。

    Mar, 2020

  • 基于 LSTM 的情感分析模型在社交媒体上的稳定性

    本文介绍 LSTM 深度学习模型在情感分析中的应用，探讨其关键参数及模型稳定性问题。

    Nov, 2022

  • 社交媒体钓鱼文章的生成模型

    研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击，通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率，最终实现了三倍于历史电子邮件攻击的成功率，并超过手动执行相同任务的人类。

    Feb, 2018