Aug, 2016

2016 年美国总统选举期间情感分析众包贡献的动态分配

PDF
TL;DR本研究提出了一种基于动态分配众包的方法，以更低的成本从 Twitter 上收集关于美国总统候选人的意见标签，并通过决策树来分配更多的用户努力预测的具有讽刺意味的标题，从而提高标注精度。
crowdsourcingdynamic allocationpolitical tweetssarcasmlabeling accuracy
发现论文，激发创造
  • 众包工作者与自然语言处理工具在政治推文的命名实体识别和情感分析方面的性能比较

    比较了众包工作者和七个自然语言处理工具在命名实体识别和实体级情感分析两个重要 NLP 任务中的准确性，并测试了几个商业和开源工具，实验结果表明，在我们的政治推文数据集中，最准确的 NER 系统谷歌云 NL 表现几乎与众包工作者一样，但最准确的 ELS 分析系统 TensiStrength 的准确性与众包工作者的准确性相差很大，超过 30 个百分点。

    Feb, 2020

  • 选举相关推文自动检测和分类

    本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

    May, 2016

  • 印度大选推文情感分析与讽刺检测

    本文使用 Transfer Learning 和 TF-IDF 技术以及 Linear Support Vector 分类器方法构建了自动推文分析器，以分析 2019 年印度选举期间人们的情感倾向和观点，进一步处理了原先未被考虑到的用户发布的挖苦推文。

    Jan, 2022

  • 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

  • 众包场景下的动态任务分配

    本文提出一种基于互信息解释的众包问题优化任务分配的方法，通过动态任务分配实现更高的准确度和可能需要更少的标签，从而提高了任务分配的效果。

    Jan, 2017

  • 将众包和主动学习相结合，从推文中分类工作生活事件

    本研究针对社交媒体研究中标注过程耗时，使用了基于活跃学习和众包方法的策略，评估了 4 种不同的活跃学习策略对于自动分类的影响，结果表明众包可以有效提高标注的质量，而活跃学习则有助于减少所需的推文数量。

    Mar, 2020

  • Twitter 上对女性记者和政治人物的滥用的大规模众包分析

    本文首次报道了人权活动家和机器学习家之间的合作，利用众包研究了 Twitter 上针对女性的在线虐待。通过分析来承认滥用感知的变异性，为其释放给社区研究工作做好准备。在社会影响方面，这项研究为旨在提高公众和决策者意识以及提高社交媒体公司期望标准的媒体活动提供了技术支持。

    Jan, 2019

  • 融合社交网络的用户级情感分析

    研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

    Sep, 2011

  • 2021 墨西哥立法选举基于推特的模型设计与分析

    本文研究了利用推特数据进行预测和分析社会行为的可行性，使用具有地理属性的推特数据进行 2021 年墨西哥议会选举建模，结果表明该方法比传统民意调查更准确和精确。同时，该推特数据与官方普查数据呈正相关，表明在线数据可以提供准确的离线行为表示。

    Jan, 2023

  • 众包标注的西班牙语幽默分析语料库

    该论文提出了一个由 27,000 个写在西班牙语 Tweet 中的幽默值和滑稽得分的人工标注语料库，可用于幽默检测和解决主观性问题。

    Oct, 2017