Предсказание популярности новостей на ранней стадии (Арам Аветисян, ISPRASOPEN-2019) — различия между версиями
Материал из 0x1.tv
StasFomin (обсуждение | вклад) |
StasFomin (обсуждение | вклад) (Batch edit: replace PCRE (\n\n)+(\n) with \2) |
||
(не показано 15 промежуточных версий этого же участника) | |||
;{{SpeakerInfo}}: {{Speaker|Арам Аветисян}} <blockquote> Миллионы новостей распространяются онлайн каждый день. Инструменты для прогнозирования популярности новостных материалов полезны для обычных людей, чтобы обнаружить важную информацию, прежде чем она станет общеизвестной. Также такие методы можно использовать для повышения эффективности рекламных кампаний или предотвращения распространения поддельных новостей. Одной из важных особенностей прогнозирования распространения информации является наличие графа влияния. Однако, такой граф в явном виде обычно недоступен для новостей, поскольку авторы редко публикуют явные ссылки на источники информации. Мы предлагаем метод прогнозирования наиболее популярных новостей в информационном потоке, который решает эту задачу путем построения скрытого графа влияния. Вычислительные эксперименты с двумя различными наборами данных подтвердили, что наша модель повышает точность и полноту прогнозирования популярности новостных сообщений. ---- Millions of news are distributed online every day. Tools for predicting the popularity of news stories are useful to ordinary people to discover important information before it becomes generally known. Also, such methods can be used to increase the effectiveness of advertising campaigns or to prevent the spread of fake news. One of the important features for predicting information spread is the structure of the influence graph. However, this feature is usually not available for news, because authors rarely post explicit links to information sources. We propose a method for predicting the most popular news in the information flow, which solves this problem by constructing a latent graph of influence. Computational experiments with two different datasets have confirmed that our model improves the accuracy of forecasting the popularity of news stories. </blockquote> {{VideoSection}} {{vimeoembed|378877616|800|450}} {{youtubelink|}}|O9MfLCW6cag}} {{letscomment}} {{SlidesSection}} [[File:Предсказание популярности новостей на ранней стадии (Арам Аветисян, ISPRASOPEN-2019).pdf|left|page=-|300px]] {{----}} [[File:{{#setmainimage:Предсказание популярности новостей на ранней стадии (Арам Аветисян, ISPRASOPEN-2019)!.jpg}}|center|640px]] {{LinksSection}} * https://www.ispras.ru/proceedings/isp_31_2019_5/isp_31_2019_5_137/ <!-- * [ Talks page on site] --> <!-- <blockquote>[©]</blockquote> --> {{fblink|2487338538185819}} {{vklink|1657}} <references/> <!-- topub --> {{stats|disqus_comments=0|refresh_time=2021-08-31T17:58:45.615161|vimeo_plays=3|youtube_comments=0|youtube_plays=29}} [[Категория:ISPRASOPEN-2019]] [[Категория:Natural Language Processing]] [[Категория:Рекомендательные системы]] |
Текущая версия на 12:22, 4 сентября 2021
- Докладчик
- Арам Аветисян
Миллионы новостей распространяются онлайн каждый день. Инструменты для прогнозирования популярности новостных материалов полезны для обычных людей, чтобы обнаружить важную информацию, прежде чем она станет общеизвестной. Также такие методы можно использовать для повышения эффективности рекламных кампаний или предотвращения распространения поддельных новостей.
Одной из важных особенностей прогнозирования распространения информации является наличие графа влияния.
Однако, такой граф в явном виде обычно недоступен для новостей, поскольку авторы редко публикуют явные ссылки на источники информации. Мы предлагаем метод прогнозирования наиболее популярных новостей в информационном потоке, который решает эту задачу путем построения скрытого графа влияния.
Вычислительные эксперименты с двумя различными наборами данных подтвердили, что наша модель повышает точность и полноту прогнозирования популярности новостных сообщений.
Millions of news are distributed online every day. Tools for predicting the popularity of news stories are useful to ordinary people to discover important information before it becomes generally known. Also, such methods can be used to increase the effectiveness of advertising campaigns or to prevent the spread of fake news.
One of the important features for predicting information spread is the structure of the influence graph. However, this feature is usually not available for news, because authors rarely post explicit links to information sources. We propose a method for predicting the most popular news in the information flow, which solves this problem by constructing a latent graph of influence. Computational experiments with two different datasets have confirmed that our model improves the accuracy of forecasting the popularity of news stories.
Видео
Посмотрели доклад? Понравился? Напишите комментарий! Не согласны? Тем более напишите.
Презентация
Примечания и ссылки
Plays:32
Comments:0