Jun, 2015

社交网络中的观点动态学习和预测

PDF
TL;DR本文提出了 SLANT，一种基于标记的跳跃扩散随机微分方程的概率建模框架，用于表示用户随时间变化的意见，可以从历史细粒度事件数据中进行有效的模型模拟和参数估计，并利用该框架得出了一组有效的预测公式，实验结果表明，该模型提供了良好的拟合，并且比其他方法实现了更准确的预测。
social mediaopinion dynamicsslantpredictive formulasforecasting
发现论文，激发创造
  • 从社会迹象中学习观点动态

    本文提出一种推论机制，将生成的意见动态代理模型拟合到现实世界的社交信息中，不仅保留了基于代理的模型的优点（即因果解释），而且还具有在真实数据上进行模型选择和假设测试的功能。

    Jun, 2020

  • 通过基于社会学的神经网络预测意见动态

    本文提出了一种叫做 SINN 的混合方法，通过将物理有关神经网络的概念引入社会科学，将理论模型和社交媒体数据相结合，实现了对观点动态的预测。实验结果表明，SINN 方法在预测观点动态方面优于其他基准方法。

    Jul, 2022

  • 网络数据中动态不确定观点的深度学习预测

    本文提出了一种基于深度学习的动态意见推断模型 GCN-GRU 用于处理大规模网络中具有不确定性的意见，该模型通过融合多种意见并利用深度学习技术解决了主观逻辑模型存在的可扩展性、异构拓扑和时间依赖性的能力以及冲突证据的高度敏感性的局限，通过实验证明了其在四个实际数据集上的超越表现。

    Oct, 2019

  • 利用社会动态模型预测新闻的受欢迎程度

    预测社交媒体中受欢迎的内容具有挑战性，但是我们利用用户早期反应构建的随机模型可以预测受欢迎的程度，并结合网站设计方面的因素，提高了预测的准确性。

    Apr, 2010

  • 在线社交网络中利用情感分析研究群体行为

    本研究利用社交媒体内容评估情感分析技术，创建主观性与群体行为和聚类系数之间的关联，并尝试预测 2021 年西孟加拉邦选举结果。

    Jul, 2021

  • 基于神经模型的 Twitter 观点预测模型

    本文提出了一种时态点过程模型，通过考虑用户历史推文序列和邻居推文来同时预测用户下一个推文的发布时间和立场标签，设计了一个主题驱动的注意机制来捕捉邻域上的动态话题转换，实验结果表明，该模型相对于其他具有竞争力的基线模型更准确地预测了未来推文的发布时间和立场标签。

    May, 2020

  • 社交网络中基于观点动力学的神经消息传递的统一视角

    我们提出了一种基于有界置信度的信息传递框架 ODNet，将社会网络和神经信息传递的概念相结合，用于分析和推断动态系统的行为。通过调整有界置信度和影响力权重，并定义与社交网络图特点一致的观点交换规则，我们的方法能够简化复杂的社交网络图，准确识别内部社区和基因在不同代谢途径中的角色。

    Oct, 2023

  • 探究用户激进化：一个新的数据集用于识别意见中细粒度的时间变化

    本文介绍了一个新的数据集，用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签，因此在长期和短期内都可以检测到微妙的观点波动。

    Apr, 2022

  • Digg 的社交动态

    本文研究了在线社交媒体上的用户行为和内容推荐，以新闻聚合平台 Digg 为例，提出了一种随机模型用于区分内容的可见性和有趣性对用户的影响，并预测了用户对内容的兴趣，为网站内容设计提供了参考。

    Jan, 2012

  • 社交网络中的同溶团和极化动态建模

    本文研究了社交媒体上自我封闭和观点极化的机制，通过引入激进化动力学模型，在不同的主题和社交状态下发现了社交影响和话题争议度对极化的影响，对社交媒体上自我封闭和观点极化的机制提出了新的见解。

    Jun, 2019