融合异构用户行为与社会影响的行为预测分析
机器学习
2023-09-27 v1 人工智能
摘要
基于历史行为数据的行为预测具有实际的现实价值，已应用于推荐、学业成绩预测等领域。随着用户数据描述的精细化、新功能的发展以及多数据源的融合，包含多种行为类型的异构行为数据变得越来越常见。本文旨在融合异构用户行为与社会影响以进行行为预测。为此，本文提出了一种长短期记忆网络（LSTM）的变体，可在对行为序列建模的同时考虑上下文信息；提出了一种投影机制，可对不同类型行为间的多方面关系进行建模；并提出了一种多方面注意力机制，可动态地从不同侧面发现信息丰富的时段。许多行为数据属于时空数据。本文提出了一种基于时空数据构建社会行为图并建模社会影响的无监督方法。此外，设计了一种基于残差学习的解码器，可基于社会行为表征与其他类型行为表征自动构建多个高阶交叉特征。在真实数据集上的定性与定量实验证明了该模型的有效性。
引用
@article{arxiv.2207.11776,
title = {Incorporating Heterogeneous User Behaviors and Social Influences for Predictive Analysis},
author = {Haobing Liu and Yanmin Zhu and Chunyang Wang and Jianyu Ding and Jiadi Yu and Feilong Tang},
journal= {arXiv preprint arXiv:2207.11776},
year = {2023}
}