ACLMay, 2016

Tweet2Vec：社交媒体基于字符的分布式表示

PDF
TL;DR本研究提出了一个基于字符组合的 tweet2vec 模型，通过学习字符序列中复杂的非局部依赖关系，找到整个推文的向量表示，相比基于单词的方法在处理社交媒体文本时表现更佳。
social medianlpcharacter composition modeltweet2vecvector-space representations
发现论文，激发创造
  • Tweet2Vec: 使用字符级 CNN-LSTM 编码器 - 解码器学习推文嵌入

    Tweet2Vec 是一种新方法，用于通过字符级别的 CNN-LSTM 编码器 - 解码器生成推文的通用向量表示形式，可应用于推文的各种分类任务，并且该方法也适用于其他语言。

    Jul, 2016

  • 基于字符的神经嵌入用于推文聚类

    本文探讨了如何运用基于字符的神经网络提高推文聚类的性能，解决了基于词语的模型中词汇膨胀的限制，并实现了对多语言内容的无缝处理。

    Mar, 2017

  • 语义推文表示的解释

    使用多种模型，比较了 9 个 tweet 表征表示在 8 个文本和 5 个社交元素属性上的表现，Bi-directional LSTM（BLSTM）和 Skip-Thought Vectors 最能编码文本和社交属性，在低资源情况下表现不错的是 FastText。

    Apr, 2017

  • 层次字符 - 词语模型在语言识别中的应用

    本文介绍了一种基于层次模型的语言识别方法，其中字符级和上下文化的词级表示能够很好地处理社交媒体消息的简洁特性和非传统拼写，同时还能揭示代码开关现象。

    Aug, 2016

  • 通过元属性预测任务解释推文表示中的句法和社交元素

    本研究对推特文本表示方法的核心属性进行评估和分析，旨在打开社交媒体文章向量表示的黑匣子，以便更好地理解这些方法为文本编码的方式以及其表现的能力，以有助于社交媒体信息处理的应用。

    Nov, 2016

  • 改进推特的分布式表示 —— 现在和未来

    通过整理有关推特的无监督学习模型，以提高其表现，进而提高情感分析、主题预测等商业应用的质量。

    Jun, 2017

  • 基于加权词向量聚合的极短文本表示学习

    该研究构建了一种基于语义词嵌入和频率信息的方法，用于捕捉短文本间的语义相似性并设计了基于权重模型和一种基于中位数损失函数的学习过程，实现得到低维度的文本表示，实验证明该方法在维基百科和 Twitter 数据上表现优异且具有较好的泛化性能。

    Jul, 2016

  • 使用描述学习表情符号的表示

    本文介绍了一种针对社交媒体上的 emoji 进行预训练的嵌入式表情符号 emoji2vec，与 word2vec 搭配使用可用于下游社交自然语言处理应用，研究表明 emoji2vec 在情感分析任务中表现优异。

    Sep, 2016

  • emojiSpace：表情符号的空间表示

    研究人员创建了一个综合词语和表情符号嵌入模型，在 Twitter 数据集上进行情感分析比较，发现其在表现上胜过其他预训练嵌入模型。

    Sep, 2022

  • Top2Vec：主题的分布式表示

    提出了一种基于分布式语义嵌入的主题建模方法 top2vec，不需要预定义的停用词表、词干提取或词形还原等预处理，能够自动确定主题数目，有效地提取语义信息并以主题向量的形式呈现。实验结果表明，top2vec 比传统的生成模型更加优秀。

    Aug, 2020