EMNLPSep, 2019

社交媒体用户的动态表示学习在 NLP 中的应用

PDF
TL;DR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。
social mediagraph attention networksuser representationlinguistic informationprediction
发现论文，激发创造
  • 基于动态图注意力网络的基于会话的社交推荐

    该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

    Feb, 2019

  • Social-LLM: 使用语言模型和社交网络数据规模建模用户行为

    社交网络数据的广泛增长为人类行为的广泛数据驱动型探索开辟了前所未有的机遇。然而，建模大规模社交网络数据面临计算挑战。为了应对这些挑战，我们提出了一种专门用于建模社交网络数据的创新方法，并结合了大型语言模型的功能。我们在七个真实世界的社交网络数据集上进行了彻底评估，并展示了其在计算社会科学研究中的适用性。

    Dec, 2023

  • 使用神经网络从异构证据学习个体的多方面表示

    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

  • 融合社交网络的用户级情感分析

    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

  • 基于社交媒体的用户嵌入：文献综述

    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

  • 利用网络和语言信息预测 Twitter 用户的社会经济属性

    本研究针对 Twitter 用户的情况，使用低维向量表示的图形嵌入技术来提取用户的社交网络信息，并用此信息预测 Twitter 用户的职业阶层和收入水平，结果显示该方法优于现有的方法，并且将社交网络和语言信息相结合可以进一步提高预测结果。

    Apr, 2018

  • 学习社交媒体用户的不变表示

    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

  • 使用时间语言模型学习动态作者表示

    该研究提出一种基于循环语言建模的神经模型，通过考虑作者和时间向量状态来捕捉作者社区的语言扩散趋势，从而超越了多个基于时间和非时间的语言基线，并学习了随时间变化的有意义的作者表示。

    Sep, 2019

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 解读缄默的多数：借助大型语言模型诱导信念增强的社会图谱进行响应预测

    自动响应预测对新闻媒体具有重要作用，能够帮助内容制作者高效预测新闻发布的影响，防止意外的负面结果，如社会冲突和道德伤害。为了有效地预测响应，必须开发利用社交动态和上下文信息的度量，特别是在用户的明确个人资料或历史行为有限的情况下（被称为潜伏者）。本研究提出了一种新颖的框架，名为 SocialSense，它利用大型语言模型在现有社交网络之上诱导出基于信念的图，并通过基于图的传播捕捉社交动态。我们假设搭建跨越远程用户之间的连接、共享相似信念的诱导图能够有效捕捉响应模式。我们的方法在零样本和监督设置的实验评估中超过了现有的最新技术，证明了它在响应预测方面的有效性。此外，分析揭示了该框架有效处理未见用户和潜伏者情况的能力，进一步突出了它的稳健性和实用性。

    Oct, 2023