社交群体之间的思想流动追踪
本研究提出了一种新的方法来检测和可视化主题的趋势,其中使用 k-means 聚类和余弦相似性模型来确定主题的移动路径与方向,并在各种媒体机构的文章数据集上进行了测试。
Sep, 2022
通过将社交网络影响视为用户感知的影响,开发了用于用户活动的概率模型,其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展,而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型,数值研究表明,在具有足够观察以确保准确模型学习的情况下,所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据,并展示了所提出方法在预测下一条推文的时间方面的效用。最后,该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。
May, 2013
该研究提出了一种基于概率的语言模型,可以跟踪个别单词随时间的语义演变,并通过嵌入空间中的潜在轨迹表示单词和上下文。研究发现,该动态模型推断的单词嵌入轨迹更易解释,并且具有更高的预测性可能性。
Feb, 2017
本文采用微流变学的特定工具研究了基于相似性的思想流动,通过介绍词嵌入中的随机行走并研究其行为,发现这种相似性介导的随机行走在嵌入空间中表现出生物细胞和复杂流体等复杂结构系统中常见的异常扩散特征。最后,该论文提出了应用随机行走和布朗运动下粒子扩散的研究中常用的工具,来定量评估文档中多样思想的融入情况,总体而言,该论文提出了结合微流变学和机器学习概念的自我参照方法,以探索语言模型的蜿蜒倾向及其与创造力的潜在关联。
Jul, 2023
该研究提出了一种基于图的聚类方法,旨在捕捉各种高频和低频单词感知的微妙变化,包括这些感知随时间的获得和丧失。实验结果表明,该方法在四种语言的 SemEval2020 二元分类任务中显著超过了以前的方法。此外,我们展示了该方法作为一种多功能可视化工具,在语言内部和语言之间设置中检测语义变化的能力。我们已公开提供代码和数据。
Feb, 2024
我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失,能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比,在保持准确性的同时,实现了高速的推理时间。该方法适用于实时的机器人应用。
Apr, 2023
本文针对多元时间序列系统,提出了一种基于聚类的方法,利用滑动窗口的方式从输入数据中提取子序列时间序列,并采用各种聚类技术和包括非线性在内的多种相似性度量方法,从而稳健地检测出如金融市场和环境数据等不同领域中的时序数据中的先导关系。
May, 2023
TribeFlow 是一种通用的方法,可用于个性化预测非稳态、短暂和时间异构用户轨迹,实现下一个产品 / 歌曲推荐及用户轨迹预测,与其他相同产品相比,准确性更高,速度高达 413 倍。
Nov, 2015
采用潜空间模型,利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展,应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据,通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。
May, 2020