Social Media Analytics for User Behavior Modeling: A Task Heterogeneity Perspective (Data-Enabled Engineering)

در سال‌های اخیر رسانه‌های اجتماعی محبوبیت قابل توجهی پیدا کرده‌اند و به یک وسیله ارتباطی ضروری تبدیل شده‌اند. چنین محتوای تولید شده توسط کاربر یک سناریوی عالی برای استفاده از استعاره استخراج هر گونه اطلاعات فراهم می کند. یادگیری انتقالی یک مشکل تحقیقاتی در یادگیری ماشینی است که بر استفاده از دانش به دست آمده در حین حل یک مشکل و به کار بردن آن در یک مشکل متفاوت اما مرتبط تمرکز دارد.

ویژگی ها:

• چارچوب های جدیدی را برای مطالعه رفتار کاربر و برای پرداختن و توضیح ناهمگونی کار ارائه می دهد
• مطالعه مفصلی از تحقیقات موجود را ارائه می دهد
• تحلیل همگرایی و پیچیدگی چارچوب ها را ارائه می دهد
• شامل الگوریتم هایی برای اجرای کار تحقیقاتی پیشنهادی است
• تجربی گسترده را پوشش می دهد تجزیه و تحلیل

تجزیه و تحلیل رسانه‌های اجتماعی برای مدل‌سازی رفتار کاربر: دیدگاه ناهمگونی کار راهنمای کاربر است مدل‌سازی رفتار در تنظیمات ناهمگن است و برای جامعه یادگیری ماشین بسیار مفید است.

In recent years social media has gained significant popularity and has become an essential medium of communication. Such user-generated content provides an excellent scenario for applying the metaphor of mining any information. Transfer learning is a research problem in machine learning that focuses on leveraging the knowledge gained while solving one problem and applying it to a different, but related problem.

Features:

• Offers novel frameworks to study user behavior and for addressing and explaining task heterogeneity
• Presents a detailed study of existing research
• Provides convergence and complexity analysis of the frameworks
• Includes algorithms to implement the proposed research work
• Covers extensive empirical analysis

Social Media Analytics for User Behavior Modeling: A Task Heterogeneity Perspective is a guide to user behavior modeling in heterogeneous settings and is of great use to the machine learning community.