May, 2016

推文中的立场和情感

PDF
TL;DR本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。
stance detectionsentiment analysisdataset creationnatural language processingmachine learning
发现论文，激发创造
  • 推文立场检测：基于 SVM 的方法

    本研究探讨了面向体育相关推特的立场检测问题，并使用基于 SVM 的分类器在不同的特征集上进行了评估，结果表明将基于 unigram、hashtags 和 named entities 的特征组合使用于 SVM 分类器中是该问题的一个可行方法。

    Mar, 2018

  • 双向条件编码的立场检测

    文章探讨基于目标的立场检测，使用条件 LSTM 编码建立 tweet 的表示并考虑了目标未提及且缺乏训练数据的情况，在 SemEval 数据集上超越了大部分方法且当加入弱监督时达到了最优效果。

    Jun, 2016

  • 用于命名实体识别和立场检测的推特数据集标注

    本篇论文介绍了一份土耳其推文数据集，对其中的命名实体和立场信息进行了注释，并公开了其中的内容。它将有助于发现推文中命名实体识别和立场检测之间的可能关系。

    Jan, 2019

  • (社交媒体数据中表达的态度) 与公共舆论调查之间的 (不) 一致性

    本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别，发现在进行态度检测时，存在时间不一致、不同建构和测量误差等问题，进一步为研究确定模型的局限性提供了一个框架，提供重要的见解。

    Sep, 2021

  • 利用零样本学习算法在推特上检测用户态度

    该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

    Apr, 2022

  • MITRE 参加 SemEval-2016 任务 6：基于迁移学习的立场检测

    使用远程监督学习的 Word2Vec Skip-Gram 模型，以及递归神经网络，识别推文作者态度的高效系统。

    Jun, 2016

  • 社交媒体立场检测的可能因素分析

    本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

    Aug, 2019

  • 俄语立场预测：数据与分析

    本研究调查了针对俄罗斯语言的立场分类。同时，引入了一个新的 RuStance 数据集，以及用于该语言的文本分类方法进行基准测试，此外，该论文还为该语言中的立场预测提供了一个基线。

    Sep, 2018

  • 英 — 印度混合语语料库：立场注释和基础系统

    本研究使用新的 3545 英汉混合推文数据集，研究了社交媒体用户对 2016 年印度废钞事件的观点，并提出了一个基于各种机器学习技术的监督分类系统，以实现在 10 倍交叉验证下 58.7% 的准确性。

    May, 2018

  • 利用远程网络监督进行半监督推文态度检测

    本研究介绍了一种新的基于半监督学习的立场检测方法 SANDS，通过构建深度特征视图和利用社交网络提供的远程监督信号，SANDS 在美国和印度两个不同政治派别下的推文数据上获得了较高的 F1 得分 0.55 和 0.49。

    Jan, 2022