Context-Aware Prediction of User Engagement on Online Social Platforms

要約

オンライン ソーシャル プラットフォームの成功は、ユーザーの行動を大規模に予測して理解できるかどうかにかかっています。
ここでは、コンテキストを意識したモデリングアプローチが、オンラインソーシャルプラットフォーム上のユーザーエンゲージメントの包括的でありながら軽量で潜在的にプライバシーを保護する表現を提供する可能性があることを示唆するデータを紹介します。
ディープ LSTM ニューラル ネットワークを活用して、約 80,000 人のユーザーからの 1 億を超える Snapchat セッションを分析することで、能動的および受動的使用のパターンが過去の行動から予測可能であること (R2=0.345)、およびコンテキスト機能の統合により、従来のユーザーと比較して予測パフォーマンスが大幅に向上することを実証しました。
行動ベースライン モデル (R2=0.522)。
スマートフォンの接続ステータス、位置、時間的コンテキスト、天気に関連する機能は、アプリ内行動の履歴から得られる機能と比較して、ユーザー エンゲージメントの非冗長な差異を捕捉することが判明しました。
さらに、瞬間的なコンテキストを考慮すれば、分散の大部分が最小限の行動履歴で説明できることを示します (R2=0.442)。
これらの結果は、長いデータ履歴の必要性を減らすことで、モデルをより効率的にし、プライバシーを保護するためのコンテキスト認識アプローチの可能性を示しています。
最後に、モデルの説明可能性手法を使用して、根底にある動作メカニズムについての予備的な洞察を収集します。
私たちの調査結果は、コンテキストに応じた、習慣に基づく能動的使用と受動的使用のパターンの概念と一致しており、ソーシャル プラットフォームでのユーザー エンゲージメントを予測するためのユーザー行動のコンテキスト化された表現の価値を強調しています。

要約(オリジナル)

The success of online social platforms hinges on their ability to predict and understand user behavior at scale. Here, we present data suggesting that context-aware modeling approaches may offer a holistic yet lightweight and potentially privacy-preserving representation of user engagement on online social platforms. Leveraging deep LSTM neural networks to analyze more than 100 million Snapchat sessions from almost 80.000 users, we demonstrate that patterns of active and passive use are predictable from past behavior (R2=0.345) and that the integration of context features substantially improves predictive performance compared to the behavioral baseline model (R2=0.522). Features related to smartphone connectivity status, location, temporal context, and weather were found to capture non-redundant variance in user engagement relative to features derived from histories of in-app behaviors. Further, we show that a large proportion of variance can be accounted for with minimal behavioral histories if momentary context is considered (R2=0.442). These results indicate the potential of context-aware approaches for making models more efficient and privacy-preserving by reducing the need for long data histories. Finally, we employ model explainability techniques to glean preliminary insights into the underlying behavioral mechanisms. Our findings are consistent with the notion of context-contingent, habit-driven patterns of active and passive use, underscoring the value of contextualized representations of user behavior for predicting user engagement on social platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google