INFLECT-DGNN: Influencer Prediction with Dynamic Graph Neural Networks

要約

予測モデリングにネットワーク情報を活用することは、多くの分野で普及しています。
紹介およびターゲットを絞ったマーケティングの領域内では、インフルエンサーの検出は、顧客とブランドの関係が継続的に発展しているため、動的なネットワーク表現を組み込むことで大きな恩恵を受ける可能性がある分野として際立っています。
このアイデアを詳しく説明するために、グラフ ニューラル ネットワーク (GNN) とリカレント ニューラル ネットワーク (RNN) を重み付け損失関数である合成マイノリティ オーバーサンプリング技術 (SMOTE) と組み合わせた、ダイナミック グラフ ニューラル ネットワークを使用した INFLuencer prEdiCTion の新しいフレームワークである INFLECT-DGNN を紹介します。
グラフ データに適応し、慎重に作成されたローリング ウィンドウ戦略。
予測パフォーマンスを評価するために、私たちは 3 つの都市のネットワークを持つ独自の企業データセットを利用し、インフルエンサー予測のための利益主導の評価方法論を導き出します。
私たちの結果は、GNN とともに RNN を使用して時間属性をエンコードすることで、予測パフォーマンスが大幅に向上することを示しています。
さまざまなモデルの結果を比較して、グラフ表現、時間依存性を把握し、利益主導の評価方法を使用することの重要性を実証します。

要約(オリジナル)

Leveraging network information for predictive modeling has become widespread in many domains. Within the realm of referral and targeted marketing, influencer detection stands out as an area that could greatly benefit from the incorporation of dynamic network representation due to the ongoing development of customer-brand relationships. To elaborate this idea, we introduce INFLECT-DGNN, a new framework for INFLuencer prEdiCTion with Dynamic Graph Neural Networks that combines Graph Neural Networks (GNN) and Recurrent Neural Networks (RNN) with weighted loss functions, the Synthetic Minority Oversampling TEchnique (SMOTE) adapted for graph data, and a carefully crafted rolling-window strategy. To evaluate predictive performance, we utilize a unique corporate data set with networks of three cities and derive a profit-driven evaluation methodology for influencer prediction. Our results show how using RNN to encode temporal attributes alongside GNNs significantly improves predictive performance. We compare the results of various models to demonstrate the importance of capturing graph representation, temporal dependencies, and using a profit-driven methodology for evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google