×
波赫拉，纳夫迪普;维沙尔·巴特纳加

基于MRGB和Adam优化的群体级社交媒体人气预测。 （英语） Zbl 1468.90102号

J.库姆。最佳方案。 第2期第41页，第328-347页（2021年）.
摘要：社交媒体已经成为吸引新客户的巨大来源。通过根据用户以前的交互对用户进行分组，可以预测共享新产品/服务的帖子以获得广泛的客户参与。在本文中，我们通过扩展数据聚类方法和使用随机Adam优化的约束网络预测，改进了现有的最新技术来预测群体级流行程度。还测试了这种两级方法的各种其他拓扑特性。用于聚类组预测的Adam优化大大提高了相对误差。总的来说，所提出的新方法将预测普及率的准确性提高了18.21%的显著差异。

MSC公司：

90C27型 组合优化
90 C90 数学规划的应用

关键词：

含量预测;张量分解;图聚类;Adam优化

软件：

亚当;帕托（PaToH）
PDF格式BibTeX公司 XML格式引用
\textit{N.Bohra}和\textit{V.Bhatnagar}，J.Comb。最佳方案。41，编号2，328--347（2021；Zbl 1468.90102）
全文： 内政部

参考文献：

[1] Aghababaei S，Makrehchi M（2016）挖掘社交媒体内容以预测犯罪。收录：IEEE/WIC/ACM网络智能国际会议（WI），奥马哈，NE，第526-531页
[2] Andrey S，Nguifo EM（2014）使用机器学习和启发式时间序列预测方法预测网页流行程度。ECML/PKDD对预测性web分析的发现挑战，法国南希，9月，第1-5页
[3] Bandari R、Asur S、Huberman BA（2012）《社交媒体中的新闻脉搏：预测人气》。CoRR abs/1202.0332 2012，第1-8页
[4] Barnard ST（1995）PMRSB：并行多级递归谱二分法。收录：超级计算：美国加利福尼亚州圣地亚哥ACM/IEEE超级计算会议记录，第27-27页
[5] Birjali，M。；Beni-Hssane，A。；Birjali，M。；Erritali，M.，使用infoSphereBigInsights和Apache Flume通过大数据分析社交媒体，Procedia Compute Sci，113，280-285（2017）·doi:10.1016/j.procs.2017.08.299
[6] 曹Q，沈浩，柯婷C，欧阳伟，程欣（2017）。《DeepHawkes：弥合信息级联预测和理解之间的差距》，第1149-1158页
[7] 密苏里州圣塔雷。；艾卡纳特，C。；Padua，D.，PaToH（超图分割工具），并行计算百科全书，2175-2211（2011），波士顿：斯普林格，波士顿
[8] Das S、Syiem BV、Kalita HK（2014）《社交网络人气分析：大数据分析》。摘自：计算、通信和传感器网络国际会议，第27-31页
[9] De S、Maity A、Goel V、Shitole S、Bhattacharya A（2017）使用深度学习预测生活方式杂志instagram帖子的流行程度。In:第二届通信系统、计算和IT应用国际会议（CSCITA），孟买，第174-177页
[10] 邓，L-J；冯，M。；Tai，X-C，《通过基于张量的稀疏建模和超拉普拉斯先验融合全色和多光谱遥感图像》，Inf fusion，52，76-89（2019）·文件编号：10.1016/j.infus.2018.11.014
[11] Fernandes K、Vinagre P、Cortez P（2015）预测人工智能在线新闻进展受欢迎程度的前瞻性智能决策支持系统。计算机科学课堂讲稿，第9273卷。施普林格，第535-546页
[12] Gorodetsky AA，Jakeman JD（2018），基于梯度的函数张量-应变格式回归优化。计算机物理杂志374:1219-1238·Zbl 1416.62391号
[13] Hoang MX、Dang X-H、Wu X、Yan Z、Singh AK（2017）GPOP：社交网络在线内容的可扩展群体级流行预测。摘自：第26届万维网国际会议记录，第725-733页
[14] Hu Y，Hu C，Fu S，Shi P，Ning B（2016）《基于时间序列预测的病毒性话题流行预测》，第210卷，第55-65页
[15] Hu W，Kumar Singh K，Xiao F，Han J，Chuah C-N，Lee YJ（2017）谁会分享我的照片？预测在线社交网络中的内容传播路径。arXiv:1705.09275v4[cs.CV]
[16] Karypis G，Kumar V（1996）不规则图的并行多级k路划分方案。收录：超级计算：美国宾夕法尼亚州匹兹堡ACM/IEEE超级计算会议记录，第35-35页·Zbl 0918.68073号
[17] 卡利皮斯，G。；Kumar，V.，不规则图分割的快速高质量多级方案，SAIM科学计算杂志，20，359-392（1998）·Zbl 0915.68129号 ·doi:10.1137/S1064827595287997
[18] Kieu BT、Ichise R、Pham SB（2015）预测社会策展的流行程度。领域：知识与系统工程，查姆施普林格，第413-424页
[19] Kingma DP，Adam BJ（2015）《随机优化方法》，第1-15页。arXiv预打印arXiv:1412.6980
[20] Kolda TG，Bader BW（2009）张量分解和应用。SIAM版本，第455-500页·Zbl 1173.65029号
[21] 莫罗，S。；Rita，P。；Vala，B.，《预测社交媒体绩效指标和评估对品牌建设的影响：数据挖掘方法》，J Bus Res，69，1-11（2016）·doi:10.1016/j.jbusres.2016.02.010
[22] Shulman B、Sharma A、Cosley D（2016）《受欢迎程度的可预测性：预测与理解之间的差距》。摘自：第十届AAAI网络和社交媒体国际会议记录（ICWSM 2016），第348-357页
[23] 施蒂格利茨，S。；Mirbabaie，M。；罗斯，B。；Neuberger，C.，《社交媒体分析：主题发现、数据收集和数据准备中的挑战》，《国际信息管理杂志》，39，156-168（2018）·doi:10.1016/j.ijinfomgt.2017.12.002
[24] Uddin MT、Patwarve MJA、Ahsan T、Alam MS（2016）从内容元数据预测在线新闻的流行程度。In:科学、工程和技术创新国际会议（ICISET），达卡，第1-5页
[25] Van Canneyt S、Leroux P、Dhoedt B等人（2017）基于时间和内容相关特征对在线新闻的受欢迎程度进行建模和预测。多媒体工具应用程序，第1409-1436页
[26] Vanwinckelen G，Meert W（2014）预测随机森林在线文章的受欢迎程度。ECML/PKDD预测性Web分析发现挑战，法国南希，9月，第1-6页
[27] Wu B，Cheng W-H，Zhang Y，Huang Q，Li J，Mei T（2017）深度时间上下文网络对社交媒体流行度的序列预测。摘自：澳大利亚墨尔本第26届人工智能国际联合会议记录，第3062-3068页
[28] Yamaguchi K、Berg TL、Ortiz LE（2014）时尚或社交：在线时尚网络中的视觉流行度分析。ACM多媒体，第773-776页
[29] Zunino，A。；Mosegaard，K.，在高斯和可分性假设下求解大型线性化逆问题的有效方法，Comput Geosci，122，77-86（2019）·doi:10.1016/j.cageo.2018.09.05
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。