ACLMay, 2019

通过编码对话上下文生成微博话题标签

PDF
TL;DR本文提出了一种新的序列生成框架方法，通过将 hashtag 视为简短的单词序列来自动标注微博帖子的 hashtag，并提出了一个双向关注的方法来一起处理目标文章和由它们引发的对话内容。实验结果表明，我们的模型显著优于基于分类的现有模型，并能够有效生成罕见甚至未见过的 hashtag。
automatic hashtag annotationmicroblog postssequence generation frameworkbidirectional attentionoutperforms state-of-the-art models
发现论文，激发创造
  • 基于 Hashtag 的低资源推特分类

    本研究提出了一种基于 Hashtag 的推文分类模型（HashTation），该模型能够自动为输入推文生成有意义的 Hashtag，以提供有用的辅助信号进行推文分类。实验表明，HashTation 在低资源推文分类任务上取得了显著提高，从而减少了对大规模人工标记数据的需求。

    Feb, 2023

  • 面向话题的社交媒体语言神经关键短语生成

    研究自动理解社交媒体上的用户生成内容，利用基于序列到序列模型的神经关键短语生成框架提取突出信息，并允许生成缺失关键短语。实验表明该模型在三个数据集中表现优异，能学习有意义的主题，从而解释其在社交媒体关键短语生成中的优越性。

    Jun, 2019

  • 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

  • HICL：基于主题标签的社交媒体上下文学习的自然语言理解

    该研究论文介绍了一种基于上下文学习和 Hashtags 的社交媒体文本理解方法，利用 Encoder 模型通过对比学习和话题相关信息来改进社交媒体 NLU，进一步研究发现结合源输入和从 Encoder 中检索的顶级帖子比使用语义相似的帖子更为有效。

    Aug, 2023

  • 微博上对话语篇和潜在主题的联合模型

    通过使用会话树以及区分话语角色，本文提出了一个无监督模型来提取微博信息中的主题并进行总结，结果表明这个模型能够有效地发现微博会话中摘要值得关注的内容。

    Sep, 2018

  • 当代语言：Hashtags 的实证分析

    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。

    May, 2019

  • 微视频个性化标签推荐

    本文基于图卷积网络提出了一种个性化微视频 Hashtag 推荐模型。模型考虑用户对内容和 Hashtag 的理解并采用注意力机制过滤信息，可以更好地完成特定部位的推荐。实验结果表明：该模型在真实数据集上表现出领先优势。

    Aug, 2019

  • 基于神经网络的上下文敏感式对话回复生成方法

    本篇论文介绍了一种新颖的响应生成系统，它可以在大量非结构化的 Twitter 会话上进行端到端的训练。该系统使用神经网络架构来解决在将上下文信息集成到经典统计模型中出现的稀疏性问题，从而允许系统考虑以前的对话话语。我们的动态上下文生成模型相对于基于上下文和非上下文敏感的机器翻译和信息检索基准具有一致的提高。

    Jun, 2015

  • 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

  • 数据扩增语义关系推理在反亚裔仇恨言论检测中的应用

    本研究提出了一种新方法，利用情感话题标记在自然语言推理框架中增强仇恨言论检测，并在实际数据集上证明了其相对于现有表示学习模型的有效性。

    Apr, 2022