WWWMay, 2019

当代语言：Hashtags 的实证分析

PDF
TL;DR本文对 Instagram 上分享的 hashtag 进行了首次大规模实证分析，揭示了从时空、语义和社会维度出发的一系列发现，其中包括时序模式可划分为四个不同群集、语义位移较大的 hashtag 有不可忽略的比例、用户分享较均匀的 hashtag 不易语义位移。最后，作者提出了一个双向图嵌入模型以总结用户的 hashtag 概要，并基于这些概要进行好友预测，证明 hashtag 具有强大的社交信号。
hashtagsonline social networksinstagramempirical analysissemantic displacement
发现论文，激发创造
  • Twitter 中集体注意力的动态分类

    本文关注 Twitter 上的集体关注和 Hashtag 的流行度峰值，通过数据分析和文本挖掘技术，提供了 Hashtag 类别的语义特征，发现流行度峰值主要由外部因素而非流行病学因素所驱动。

    Nov, 2011

  • 走向深度语义分析的 Hashtags

    本文介绍了一种上下文感知的方法来分割并链接 Hashtags 中的实体到知识库中，以便通过提供 Hashtags 中实体的分割和链接信息提高推文中的实体链接的总体效果。

    Jan, 2015

  • 社交餐饮的自下而上分析

    本研究通过对 Instagram 上标签和社交网络数据的分析，尝试理解外部图片的内容以及其与已有标签的关联，特别地，通过纯粹的社交网络数据尝试识别食品图像的类别和内容，并证明了该方法在识别流行食品类别时的正确率可以达到 70% 以上，这表明通过数据驱动的分析可以为图片内容的关系及开发相关算法提供新的机遇和挑战。

    Mar, 2016

  • 话题性和社会影响：不同信息，专注传达

    研究使用 Twitter 的用户，如果评论多个话题，比专注于一个话题的用户更容易获得高影响力。同时通过检测话题社区，量化用户和标签的话题多样性、相似性，可以预测早期采用者和标签的多样性与未来流行的 hashtags 有关。这项研究发现，多样性的信息和专注的沟通者更容易获得影响力。

    Feb, 2014

  • Twitter 的时间效应对 Hashtag 重用的影响：基于认知启发的 Hashtag 推荐方法

    该研究使用 BLL 公式设计了一个以时间为中心的 BLLi,s 算法，用于推荐标签并结合时间因素进行预测，结果表明 BLLi,s 相比于其他推荐算法具有更准确的预测和排序结果。

    Jan, 2017

  • 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

  • 文本数据流中漂移标签的时序分析：基于图的应用

    通过图分析和文本数据流，本文分析了 2018 年至 2022 年期间 #mybodymychoice 标签的漂移现象，揭示了年度快照中的标签社群，并提供了关于研究中发现的一些标签的见解，显示出该标签在观点和情感模式上随时间的变化，尤其是在 2021 年以疫苗接种和与 Covid-19 相关的话题方面的显著漂移。

    Feb, 2024

  • 多任务配对神经排名用于标签分割

    本文提出了一种基于神经网络和成对排名的方法，用于从社交媒体数据中提出具有元数据价值的 hashtag，并证明该方法比现有最先进的方法能够更准确地对 hashtag 进行分割。同时，作者还表明，这种更深层次的 hashtag 语义理解通过分割的方式对于情感分析等下游应用场景非常具有用处。

    Jun, 2019

  • Twitter 上地理标记行为的大规模经验研究

    本文基于 Twitter 平台 4 万多亿条 tweet，对 geotagging 行为进行了实证研究。结果显示，用户群体之间的 geotagging 偏好各不相同；在用户资料中报告位置信息的用户更容易使用 geotags；用户在 geotagging 行为上存在明显的同质性倾向。

    Aug, 2019

  • 推特洞察：从推特提取时间洞察的可视化平台

    使用推特获得的大量时间序列数据，通过词嵌入技术和专门微调的语言模型进行后处理，捕捉了过去五年中 n-gram 频率、相似性、情感和主题分布的变化。构建在该数据之上的界面可以进行时间分析，用于检测和描述意义的转变，包括与趋势度量相补充的情感和主题的时间关联信息。我们提供了一个在线演示用于方便实验，还分享了代码和底层的聚合数据供以后的工作使用。本文还讨论了基于我们平台的三个案例研究，展示了它在时间语言分析方面的潜力。

    Aug, 2023