Twitter 趋势的实时分类
本文通过对 Twitter 上热门话题的深入研究,提供了形成、持久性和衰退趋势的理论基础,并从实证角度证明用户活动和关注者数量不是趋势创造和传播的强因素,事实上,内容与社交网络用户的共鸣在推动趋势中起着重要作用。
Feb, 2011
本文介绍了一种基于深度神经网络的技术框架,用于在 Twitter 上连续纵向地识别和分析选举相关的对话,其模型可以将选举相关的推文检测的 F 分数为 0.92,并将这些推文分类为 22 个主题,其 F 分数为 0.90。
May, 2016
本文关注 Twitter 上的集体关注和 Hashtag 的流行度峰值,通过数据分析和文本挖掘技术,提供了 Hashtag 类别的语义特征,发现流行度峰值主要由外部因素而非流行病学因素所驱动。
Nov, 2011
社交平台是传播和讨论真实事件信息的关键平台,本研究提出了一种利用社交数据的词汇、语义和上下文表示来检测社交事件的框架,通过利用上下文知识在最早的阶段检测语义相关的推文并提高聚类质量,进而展示每个事件的演变变化。经过广泛实验验证了该框架在检测和区分社交事件方面的有效性。
Jul, 2023
本研究提出了一种以聚类为基础的实时事件发现系统,能够将 Twitter 上的实时数据进行聚类,识别出不同的事件,并使用 novel metric 评估聚类方法的效果和在实时和线下模式下的表现,实验结果表明该系统在大规模数据上具有很高的效率和准确性。
Jul, 2019
本文提出了一种半自动化工具来有效地在 Twitter 上辨识和追踪真实世界事件的故事,并通过 25 名参与者的用户研究证明我们的工具相对于传统方法可以提高追踪真实世界事件故事的速度和准确性。
May, 2016
该研究使用 HITS 算法,根据影响力分离数据集,分析了 Twitter 上具有影响力和不具有影响力的用户之间的差异,并采用主题建模揭示了这两个群体在比特币方面的语言和兴趣上的差异。我们发现少数用户(0.72%)代表了大多数(80%)比特币言论的权威性。
Mar, 2023
本文针对 Twitter 用户于 2008 年 8 月至 12 月发布的公开推文进行情绪分析,提取 6 种情绪维度,并将数据与股市、原油价格、大选等事件进行比较,研究结果表明社会、政治、文化和经济领域的事件对公众情绪有明显、即时和高度特定的影响,因此情绪的大规模分析可以提供一个可靠的平台,用于以现有的社会和经济指标来模拟集体的情感趋势。
Nov, 2009