あなたのFATEを知る:社会的アプリケーションに関するユーザ参加予測のための友人,行動および時間説明【JST・京大機械翻訳】

Tang Xianfeng; Liu Yozen; Shah Neil; Shi Xiaolin; Mitra Prasenjit; Wang Suhang

プレプリント

J-GLOBAL ID：202202200951816667 整理番号：22P0157956

あなたのFATEを知る:社会的アプリケーションに関するユーザ参加予測のための友人,行動および時間説明【JST・京大機械翻訳】

Knowing your FATE: Friendship, Action and Temporal Explanations for User Engagement Prediction on Social Apps

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年06月09日プレプリントサーバーでの情報更新日： 2020年06月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

その他の情報処理 , 計算機網

, , , , , ,

前のページに戻る