2019-04-08~14
2019-04-14 本文已影响0人
wwang945
Feature Driven and Point Process Approaches for Popularity Prediction
- CIKM 2016
- 作者：Swapnil Mishra，Marian-Andrei，Rizoiu
- （静态）流行度预测可以分为两大方法：feature-driven和generative models
- 用点过程（Hawkes self-exciting point process）对早期流行度建模
- 发现点过程方法比feature-driven和generative model方法都好（毕竟用到了更多的特征啊）
- 还验证了基本的用户特征和事件时间统计特征对回归问题和分类问题都很有效，而且把点过程的信息加入到特征中能进一步提升效果
- 数据用的KDD15的（SEISMIC: A Self-Exciting Point Process Model for
Predicting Tweet Popularity）
Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity
- WWW 2017
- 作者：Marian-Andrei Rizoiu
- 内容的流行度受到事件的影响，例如tweet被转发
- 提出了用the Hawkes intensity process对复杂的流行度历史建模
Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks
- ICWSM 2018
- 作者：Swapnil Mishra，Marian-Andrei Rizoiu
- YouTube的视频或者某些文章的流行度会受微博或者媒体报道所影响
- 这篇文章使用外部相关数据来对流行度建模
- 已有的方法一般只考虑了单类事件的影响，而大部分的内容的会受多类的事件影响
- 提出了里RNN对多类异步事件建模（用RNN近似点过程的强度（intensity），类似于KDD2016 Recurrent Marked Temporal Point Processes:
Embedding Event History to Vector）
Dynamic User Profiling for Streams of Short Texts
- AAAI 2018
- 作者：Shangsong Liang
- 通过短文本流对用户动态建模
- 也就是通过用户历史发布的tweet记录预测用户标签
Dynamic Embeddings for User Profiling in Twitter
- KDD 2018
- 作者：Shangsong Liang
- 通过短文本流对用户生成动态Embedding
- 使得word Embedding和user Embedding在同一语义空间，并且是动态了（随时间变化）
Adversarial Training Model Unifying Feature Driven and Point Process Perspectives for Event Popularity Prediction
- CIKM 2018
- Shanghai Jiao Tong University
- 用点过程和基于特征预测流行度
- 对抗训练，点过程部分预测出一个流行度，基于特征部分判断预测的对不对
