在线新闻源的多源社交反馈
本文使用多种技术,如基于词典的、机器学习和深度学习方法,对社交媒体上的评论数据进行情感分析,并提供了比较分析结果。在本研究中,我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。
Dec, 2022
我们提出了一个交互式框架来进行新闻媒体分析,结合了基于图的新闻媒体分析模型、预训练的大型语言模型和人类洞察力,能够在社交媒体上快速检测出假新闻和有偏见的媒体,即使在最具挑战性的新闻事件的情境中,其中有未见过的测试数据。
Sep, 2023
本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练,以提高虚假新闻的早期检测的方法,实验结果显示该方法可以有效地超越目前的最先进的基准线模型。
Apr, 2020
通过提供包含新闻内容、社会背景和动态信息的数据集,本文旨在促进对社交媒体上假新闻的传播、检测和干预的研究,强调了假新闻检测的复杂性,并结合多源信息提出了可能的解决方案。
Sep, 2018
社交媒体的兴起使得虚假新闻的广泛传播成为可能,而虚假新闻被故意发布以传播错误信息和影响人们的信仰。本文介绍了一种新的方法,通过人机交互的方式改善自动化系统对社交媒体的表示质量,在真实事件中实验表明,在少量人机交互之后,系统检测新闻可信度的性能得到了提升。
Sep, 2023
该研究介绍了一个用于研究新闻制作者策略和社交媒体参与度的大型政治新闻数据集,其中包括 136K + 新闻文章和 130 种基于内容和社交媒体的特征。
Mar, 2018
为了提高新闻推荐的用户兴趣模型和模型训练的效果,我们提出了一种利用各种用户反馈的统一用户建模框架,并采用强到弱的注意力网络来提炼正负用户兴趣,以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。
Feb, 2021
社交媒体及其新闻推送算法对于提升构建性对话具有挑战性,本研究使用大型语言模型和基于代理模型的仿真来研究不同的新闻推送算法如何影响在线对话质量,发现新推送算法能够促进跨政治观点的建设性、非有害对话。
Oct, 2023
该研究使用机器学习技术分析社交媒体上用户的意见与经验,通过建立自动化数据分析流程找到图片和特定词汇,应用基于方面的情感分析方法发现用户对选择的主题的看法,提出了新的语义计算方法,为建筑专家等领域的研究者提供了新的见解。
Oct, 2022