基于稀疏性与互激发引导的图神经网络建模网页事件流行度
多媒体
2024-09-27 v1
摘要
网页内容描述或发布的事件不可避免地反映了物理社会中的观点、价值和趋势。将事件映射到流行度得分在从网络空间感知社会趋势方面起到枢纽作用。然而，文本与图像之间的复杂语义对应关系，以及隐式的文本-图像-流行度映射机制，为这一任务带来了显著挑战。本文从理解可解释的映射机制的角度来解决此问题。具体而言，我们将来自不同事件的关键词组织成统一的图结构。该统一图结构促进了通过两个层次映射来建模事件的流行度，即自激发（self excitation）和互激发（mutual excitation）。自激发假设每个关键词单独形成流行度，而互激发模型两个关键词会相互激发以决定事件的流行度。具体来说，我们使用图神经网络（GNN）作为骨干网络来建模自激发、互激发以及图像上下文，形成稀疏且深层的因子模型。此外，据我们所知，我们发布了一个面向流行度预测任务的挑战性网页事件数据集。实验结果在三个公开数据集上表明，我们的方法在显著性地提高性能方面优于当前方法。数据集可在：https://github.com/pangjunbiao/Hot-events-dataset 获取。
引用
@article{arxiv.2409.17678,
title = {Modeling the Popularity of Events on Web by Sparsity and Mutual-Excitation Guided Graph Neural Network},
author = {Jiaxin Deng and Linlin Jia and Junbiao Pang and Qingming Huang},
journal= {arXiv preprint arXiv:2409.17678},
year = {2024}
}