该研究回顾了最近在社交媒体用户的表征学习领域的进展，并提供了从异构用户数据（例如，将社交媒体文本与图像相结合来学习统一用户表征）中学习统一用户嵌入的典型方法，该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。

Jun, 2019

本文提出了利用神经网络来预测社交媒体网络中观点赞同度的方法，结合了评论者的参与方式以及评论文本，通过一种新颖的神经网络结构可以学习隐含的讨论结构特征并探讨了其在权重文本特性方面对提高预测精度的作用。

Aug, 2016

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

通过利用 Web 和 Social Media 数据，本文提出一种利用多模态图像和文本嵌入的自监督学习方法，在不需要人工注释的情况下学习强大的特征，并将文本领域学到的语义知识转移至视觉模型用于语义图像检索任务。研究分析了五种不同的文本嵌入方法，表明利用 Web 和 Social Media 数据学习的嵌入具有与监督方法相当的性能，且在训练目标数据时优于最先进方法。最后，介绍了 InstaCities1M 数据集，并演示了如何利用该数据集进行语义多模态图像检索。

Jan, 2019

提出一种基于人类编辑过程的新典范，使得特征学习可以通过人类筛选作为弱标签的文本标签进行学习。通过将人类筛选的内容标记为弱标签，提出一种新的用于学习鉴别特征的框架，其中我们将鉴别特征定义为用于表示用户在创建组时想要表达的语义概念空间的表示。

Feb, 2018

本文提出了一种从社交媒体用户活动的短时段中学习映射的方法，以产生用户固有特征相似度的向量空间，其中距离捕捉到相应用户的相似性，并通过 Reddit、Twitter 和 Wikipedia 的数据进行了全面评估。

Oct, 2019

我们采用神经网络学习个人的多维表示，结合社交媒体上的丰富语言和网络证据，从而综合推断人们在线的潜在属性，包括性别、职业、位置和友谊，并在推特上实现了分类、学习表示和预测任务的提高性能。

Oct, 2015

本研究提出利用网络和社交媒体数据来学习多模态图像和文本嵌入，旨在将在文本领域中学到的语义知识转移至用于语义图像检索的视觉模型。研究结果表明，利用带有相关文本的图像进行无监督学习的流程能够在三个基准测试中学习五种不同的文本嵌入，并在面向文本的图像检索任务中表现出与受监督方法竞争性的性能。在目标数据中训练时，我们在 MIRFlickr 数据集中明显优于现有技术。进一步，我们展示了如何使用学习到的嵌入执行语义多模态图像检索，超越了传统的实例级检索问题。最后，我们提出了一个新的数据集（InstaCities1M），由 Instagram 图像及其相关文本组成，可用于公平比较图像 - 文本嵌入方法。

Aug, 2018

本文提出了一种基于图注意力网络的模型，该模型动态地探索一个用户的社交图，计算用户表征并结合语言信息进行预测，在三项任务上进行评估并与其他模型进行对比，表明该模型明显优于当今其他方法。

Sep, 2019

在线社交网络的出现导致了关于在线社交群体及其与个体个性关系的丰富文献的发展。通过对广泛的社交互动进行推断，可以得到社交结构，这些互动形成了复杂的、有时是多层次的网络，对其中的高阶结构进行了社群检测算法的提取。然而，关于社群检测算法在与其分类的个体文化生产之间的关系，却很少受到质疑。在这项工作中，我们假设社交网络及其文化生产是纠缠在一起的，并提出了一种基于文化的在线社交群体的定义，即将在线产出归类为社群相关的个体集合。我们利用这种似乎自指的在线社交群体描述，结合社区检测算法和自然语言处理分类算法的混合方法。该分析的一个关键结果是可以使用自然语言处理分类算法的准确度来评价社群检测算法的得分。另一个结果是我们可以以超过 85% 的准确率分配随机用户的意见。

Jun, 2024