DIGMN：面向在线职业社交平台差异化用户参与度预测的动态意图引导元网络
机器学习
2023-02-23 v2
摘要
用户参与度预测在设计中用于增长用户参与度并提升在线社交平台收入的互动策略方面起着关键作用。通过对全球最大职业社交平台 LinkedIn 的真实世界数据进行深入分析，我们发现用户呈现出多样的参与度模式，而用户参与度模式差异的一个主要原因是用户具有不同的意图。即人们使用 LinkedIn 时意图不同，例如求职、建立联系或查看通知，这展现出相当不同的参与度模式。同时，用户意图及相应的参与度模式可能随时间变化。尽管此类模式差异与动态性对用户参与度预测至关重要，但基于用户动态意图区分用户参与度模式以改进预测的工作此前未受足够重视。本文提出动态意图引导元网络（DIGMN），可显式建模随时间变化的用户意图并进行差异化用户参与度预测。具体而言，我们从数据挖掘中导出若干可解释的基础用户意图作为先验知识，并在显式建模动态用户意图时引入先验意图。此外，基于动态用户意图表示，我们提出元预测器以执行差异化用户参与度预测。在 LinkedIn 匿名用户数据上的综合评估表明，我们的方法显著优于 SOTA 基线，即在粗粒度与细粒度用户参与度预测任务上分别实现 2.96% 与 3.48% 的绝对误差降低，证明了方法的有效性。
引用
@article{arxiv.2210.12402,
title = {DIGMN: Dynamic Intent Guided Meta Network for Differentiated User Engagement Forecasting in Online Professional Social Platforms},
author = {Feifan Li and Lun Du and Qiang Fu and Shi Han and Yushu Du and Guangming Lu and Zi Li},
journal= {arXiv preprint arXiv:2210.12402},
year = {2023}
}
备注
10 pages, Accepted by WSDM'23