基于深度时间上下文网络的社交媒体热度时序预测
社会与信息网络
2017-12-14 v1 人工智能
机器学习
摘要
热度预测对社交媒体具有深远影响，因为它提供了从演化社会系统中揭示个体偏好和公众关注的机会。以往研究虽取得可喜结果，却忽视了社交数据的一个显著特征，即时序性。例如，在线内容的热度是随社交媒体顺序发帖流随时间生成的。为研究热度的时序预测，我们提出一种称为深度时间上下文网络（DTCN）的新预测框架，同时考虑时间上下文与时间注意力。我们的 DTCN 包含从嵌入、学习到预测的三个主要组件。通过联合嵌入网络，我们在公共嵌入空间中获得多模态用户-帖子数据的统一深度表示。然后，基于随时间嵌入的数据序列，时间上下文学习尝试递归地学习用于序列热度的两个自适应时间上下文。最后，设计一种新颖的时间注意力，以跨多个时间尺度的时间连贯性预测新热度（新用户-帖子对的热度）。在我们发布的约 60 万张 Flickr 照片的图像数据集上的实验表明，DTCN 优于最先进的深度预测算法，在热度预测（Spearman 排序相关）中平均相对性能提升 21.51%。
引用
@article{arxiv.1712.04443,
title = {Sequential Prediction of Social Media Popularity with Deep Temporal Context Networks},
author = {Bo Wu and Wen-Huang Cheng and Yongdong Zhang and Qiushi Huang and Jintao Li and Tao Mei},
journal= {arXiv preprint arXiv:1712.04443},
year = {2017}
}
备注
accepted in IJCAI-17