Mar, 2020

顶评或踩评？预测和解释在线新闻讨论中的用户参与

PDF
TL;DR本研究采用神经网络模型对用户评论进行了分析，跟踪评论获得的赞和回复，并基于这些信息区分出具有高或低赞回复概率的评论。研究表明，有助于激发用户互动的评论特征可以按照一定的分类学进行整理，神经网络在分析这种回归问题时表现出最好的性能。
user engagementcomment sectionupvotesrepliesneural networks
发现论文，激发创造
  • 学习隐含本地对话模式，预测在线讨论社区认可度

    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

  • 利用用户嵌入改进虐待性评论的监控

    本文探讨了如何通过添加用户嵌入、用户类型嵌入、用户偏差或用户类型偏差来改进一种最先进的基于循环神经网络的评论审核方法，并在希腊新闻体育门户网站的约 160 万条用户评论数据集上实验，观察到在所有情况下都有改善，其中用户嵌入具有最大的性能提升。

    Aug, 2017

  • 基于上下文统一可解释学习的视频讲座用户参与度

    本文提出了 CLUE 模型，采用多模态特征学习从在线教学视频中提取特征，并提供可解释反馈和用户参与度得分。

    Jan, 2022

  • 使用图神经网络预测推文互动

    本文提出了一个基于图神经网络的解决方案，TweetGage，用于预测社交媒体上发布的帖子在用户参与度方面的影响，并通过一系列实验对其效果进行了验证。

    May, 2023

  • ViCo：利用人类偏好奖励来提升视频评论生成

    本文提出了 ViCo 方法，通过采用三个新设计来解决生成具有吸引力的视频评论所面临的挑战，包括量化评论的参与度、自动评估评论的参与度以及改进生成器以提高评论质量。通过在一个流行视频网站上收集的大规模视频评论数据集（ViCo-20k）进行实验，结果表明我们的 ViCo 模型在参与度考量下表现得最好，无论是定量指标还是定性结果。

    Aug, 2023

  • 利用用户生成数据学习评论生成

    提出了一种结合检索和生成方法的方法，使用关注模块检索有信息量和相关性的用户生成数据评论，然后与文章一起作为输入，使用具有复制机制的序列到序列模型。在大规模评论生成数据集上展示了该模型的稳健性并证明了其在 BLEU-1 得分方面比具有注意力机制的 Seq2Seq 和信息检索模型等强基线模型显着优越约 27 和 30 个 BLEU-1 点。

    Oct, 2018

  • 利用用户评论来提前发现假新闻在用户发表评论之前

    通过吸收和参数化历史新闻中的评论中有用的知识，并将其注入到仅基于内容的检测模型中，我们设计了评论辅助虚假新闻检测方法 (CAS-FEND)，该方法在训练期间将有用的知识从评论感知的教师模型转移到仅基于内容的学生模型。实验证明，CAS-FEND 学生模型在早期检测方面表现出优越性，胜过所有仅基于内容的方法，甚至胜过输入 1/4 评论的方法。

    Oct, 2023

  • 对话线程的特征描述和整理：包括扩展、关注点、数量、重回

    本文研究了论坛讨论中的两个关键子问题：评论数量预测和再次参与预测，并针对这两个问题提出了一些基于学习的方法并进行了评估。

    Apr, 2013

  • 从社交媒体预测短篇叙述的质量

    本研究提出了使用社交媒体点赞数作为故事质量评估的一种方法，并利用神经网络来预测没有社交网络特征的点赞数，为未来的研究提供了强有力的基准。这也是关于叙述质量自动评估的首个大规模研究。

    Jul, 2017

  • 识别驱动在线讨论的社会信号：Reddit 社区案例研究

    该研究聚焦于 Reddit 上的在线讨论，通过对不同社区的评论进行大量情感、相关性和内容分析，揭示了不同社区内高得分帖子的特征，进而探究社区话题的特异性、受众与管理水平对社区讨论的影响。

    May, 2017