Twitter 上的无监督用户立场检测
该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法,并通过对六个政党在 20 个不同议题上的一致性进行分析,依据党派帐号的言论预测政治主张。结果表明,T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。
Apr, 2022
本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明,用户的立场可以通过其相对应的社交网络特征得到比较好的检测,同时发现这些特征具有一定的隐私影响。
Aug, 2019
本文提出一种无监督的框架,用于姿态检测,基于构建多参与者讨论的相互作用网络并从中提取每个说话者的拓扑嵌入向量,用于区分不同阶层的持观点言论者,表现出色,并且揭示了嵌入与说话者表达的赞成度之间的关系。
Dec, 2021
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
该研究提出了一种利用社交信息生成关系嵌入的新方法,该方法可以应用于任何语言和目标,有助于在社交网络上进行立场检测。实验证明,将我们的关系嵌入与文本方法相结合可以显著提高性能。
Oct, 2022
本文利用卷积神经网络对土耳其大选期间推特数据进行无监督的极性检测,对 108M 条推文和 213M 条用户推特进行多目标分类和极性聚类,实现用户态度识别和相关话题极化计算。
May, 2020
通过使用用户 - 标签二分图和用户 - 用户交互图,开发了一个两阶段立场标签方法,首先使用用户 - 标签二分图的启发式机制更新用户和标签节点的立场关联,然后将这些标签与用户 - 用户交互图结合,使用半监督学习训练图神经网络模型。实验证明,该方法在评估气候变化和枪支管制等分裂性议题在社交媒体上的极化互动时优于零样本立场标签技术。
Apr, 2024
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
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