在线社交平台上用户参与的上下文感知预测
机器学习
2024-06-17 v2 人工智能
人机交互
社会与信息网络
摘要
在线社交平台的成功取决于其大规模预测和理解用户行为的能力。在此,我们提供的数据表明,上下文感知建模方法可能为在线社交平台上的用户参与提供一种整体而轻量、且具潜在隐私保护性的表征。利用深度 LSTM 神经网络分析近 80,000 名用户的超过 1 亿次 Snapchat 会话,我们证明了主动与被动使用的模式可由过去行为预测(R2=0.345),且相较于行为基线模型,上下文特征的整合显著提升了预测性能(R2=0.522)。研究发现,与智能手机连接状态、位置、时间上下文和天气相关的特征,相对于由应用内行为历史导出的特征,能够捕捉用户参与中非冗余的方差。进一步,我们表明若考虑瞬时上下文,仅需极短的行为历史即可解释大部分方差(R2=0.442)。这些结果表明,上下文感知方法通过减少对长数据历史的需求,有潜力使模型更高效且更具隐私保护性。最后,我们采用模型可解释性技术,初步洞察潜在的行为机制。我们的发现与上下文依存、习惯驱动的主动与被动使用模式这一观念一致,强调了用户行为的情境化表征对于预测社交平台上用户参与的价值。
引用
@article{arxiv.2310.14533,
title = {Context-Aware Prediction of User Engagement on Online Social Platforms},
author = {Heinrich Peters and Yozen Liu and Francesco Barbieri and Raiyan Abdul Baten and Sandra C. Matz and Maarten W. Bos},
journal= {arXiv preprint arXiv:2310.14533},
year = {2024}
}