抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年のソーシャルネットワークアプリケーション(Apps)の急速な成長および普及により,ユーザ関与の理解は,将来のApp設計および開発に対する有用な洞察を提供するために,ますます重要になっている。いくつかの有望なニューラルモデリングアプローチが最近,正確なユーザ関与予測のために先駆けられたが,それらのブラックボックス設計は,モデル説明可能性において残念に限定されている。本論文では,ソーシャルネットワークAppsのための説明可能なユーザ関与予測の新しい問題を研究した。最初に,将来のメトリック期待値に基づいて,様々なビジネスシナリオに対するユーザ関与の柔軟な定義を提案した。次に,ユーザエンゲージメント,即ち,ユーザ参加,ユーザ行動,および時間的ダイナミックスが説明可能な関与予測を達成するために,同定する3つの鍵となる因子を組み込む,エンドツーエンドのニューラルフレームワーク,FATEを設計した。FATEは,テンソルベースのグラフニューラルネットワーク(GNN),LSTM,および混合注意機構に基づいており,(a)異なる特徴カテゴリーにわたる学習重みに基づく予測説明,(b)ネットワーク複雑性の低減,および(c)予測精度と訓練/推論時間の両者における性能の改善を可能にする。著者らは,FATEが,約10%の誤差と≒20%の実行時間減少によって最先端のアプローチを凌駕する,スナップトからの2つの大規模データセットに関する広範な実験を行った。また,FATEからの説明を評価し,強い定量的および定性的性能を示した。【JST・京大機械翻訳】