NIPSNov, 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

PDF
TL;DR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。
social media analysisrepresentation learning modelstweet encodingsyntactic and social propertiestweet representation models
发现论文，激发创造
  • 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

  • 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

  • Tweet2Vec：社交媒体基于字符的分布式表示

    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。

    May, 2016

  • 利用时间和用户上下文改进推文表达

    本文提出了一种新颖的表征学习模型，通过系统性地利用用户 Twitter 时间轴上的文本 “上下文”，并考虑用户背景知识如写作风格和写作主题总结，从而准确地计算推文的语义表示，并通过实验证明，在预测用户配偶、教育和工作等人物属性时，该模型优于现有最先进模型，分别提高了 19.66%、2.27% 和 2.22%。

    Dec, 2016

  • 单向量处理何所能容：探究句子嵌入的语言特征

    本文介绍了 10 种用于捕捉句子简单语言特征的探针任务，使用这些任务来研究三个不同编码器训练的嵌入，并揭示了编码器和训练方法的有趣特性。

    May, 2018

  • 利用网络和语言信息预测 Twitter 用户的社会经济属性

    本研究针对 Twitter 用户的情况，使用低维向量表示的图形嵌入技术来提取用户的社交网络信息，并用此信息预测 Twitter 用户的职业阶层和收入水平，结果显示该方法优于现有的方法，并且将社交网络和语言信息相结合可以进一步提高预测结果。

    Apr, 2018

  • 利用辅助预测任务进行句子嵌入的细粒度分析

    通过对句子结构的预测任务来评估句子嵌入向量的表现，探讨了句子嵌入方法的相对优劣和向量维度对嵌入效果的影响。

    Aug, 2016

  • 利用上下文信息进行增强的 Twitter 情感分类

    本文探索了利用不同位置、时间和作者搜集的大量元数据来分析推文情感，并使用基于贝叶斯方法的分类器，将上述元数据与 n-grams 等标准语言特征相结合，以更准确地对推文情感进行分类。结果表明，将 Twitter 可用的丰富上下文信息整合到情感分类中是一个有希望的研究方向。

    May, 2016

  • 为决策支持形成推特的预测特征

    本篇文章阐述了使用图论、频繁项集和关联规则理论，构建和检索不同特征来进行推测性分析，揭示与指定实体相关的推文的语义结构。并且证明了语义频繁项集的定量特征可以用于具有指定目标变量的预测回归模型。

    Jan, 2022

  • 分析 2022 年法国选举中流行 Twitter 话题

    使用语义网络特征进行机器学习任务时，回归分析预测社交媒体用户未来活动需要丰富的特征。本研究通过使用语义网络作为用户级特征，并结合回归实验，表明该方法在预测社交媒体的响应率方面表现良好，适用于大型数据集。

    Oct, 2023