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進化するため、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。
この論文では、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利益主導型のインフルエンサー予測のための新しい手法である INFLECT-DGNN を紹介します。これは、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、重み付き損失関数、合成マイノリティ オーバーサンプリングを使用して革新的に組み合わせたものです。
グラフ データ、および慎重に作成されたローリング ウィンドウ戦略。
モデル予測に基づいた意思決定をサポートする、新しい利益主導のフレームワークを紹介します。
このフレームワークをテストするために、多様なネットワークを持つ独自の企業データセットを使用し、社会経済的および人口統計学的特性が異なる 3 つの都市にわたる顧客のやり取りをキャプチャします。
私たちの結果は、GNN と並行して 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一方、利益主導のフレームワークが利益の最大化に最適な分類しきい値を決定する方法を示しています。
さまざまなモデルの結果を比較して、ネットワーク表現、時間的依存関係を把握し、利益主導の評価を使用することの重要性を示します。
私たちの研究は、紹介およびターゲットを絞ったマーケティングの分野に重大な影響を及ぼし、企業環境内でのディープ グラフ ラーニングの技術的利用を拡大します。

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 continuous evolution of customer-brand relationships. In this paper, we present INFLECT-DGNN, a new method for profit-driven INFLuencer prEdiCTion with Dynamic Graph Neural Networks that innovatively combines Graph Neural Networks (GNNs) and Recurrent Neural Networks (RNNs) with weighted loss functions, synthetic minority oversampling adapted to graph data, and a carefully crafted rolling-window strategy. We introduce a novel profit-driven framework that supports decision-making based on model predictions. To test the framework, we use a unique corporate dataset with diverse networks, capturing the customer interactions across three cities with different socioeconomic and demographic characteristics. Our results show how using RNNs to encode temporal attributes alongside GNNs significantly improves predictive performance, while the profit-driven framework determines the optimal classification threshold for profit maximization. We compare the results of different models to demonstrate the importance of capturing network representation, temporal dependencies, and using a profit-driven evaluation. Our research has significant implications for the fields of referral and targeted marketing, expanding the technical use of deep graph learning within corporate environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google