Jun, 2016

使用字符和单词级 CNN 在推文中检测立场的 SemEval-2016 任务 6 上的 DeepStance

PDF
TL;DR本文通过利用深度学习中的短文本分类方法来检测推特立场，并采用数据增强技术扩展和多样化训练数据集，结合词级和字符级模型构建分类器最终实现了精度、召回率和 F1 值均在 0.6 以上的结果。
发现论文，激发创造
  • 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

  • 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

  • Twitter 话题立场检测：基于注意力机制的双阶段 LSTM 模型

    使用长短期记忆（LSTM）深度神经网络和注意力机制，提出了 T-PAN 框架来解决主题态度检测问题，分为两个阶段处理，第一阶段判断主观性，第二阶段判断态度，实验结果显示该框架取得了更优秀的效果。

    Jan, 2018

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017

  • 推文中的立场和情感

    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。

    May, 2016

  • 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

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

    Apr, 2017

  • 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

  • 网络和社交媒体中的立场检测：一项比较研究

    本文探讨了在社交媒体平台上进行自动立场检测的多种方法，包括神经模型和经典的分类器模型，并对它们的可复现性和比较性能进行了详细的研究和实验。

    Jul, 2020

  • 当代议题倾向性预测：数据与实验

    研究使用预训练的双向变压器和情感信息，以改进对当代问题长时间讨论的立场检测，并创建一个新的含有情感信息的数据集，该数据集可用于浅层递归神经网络在低参数下达到了与经过微调的 BERT 相同的结果，同时使用简单的方法解释了哪些输入短语对于立场检测产生影响。

    May, 2020