KDDJun, 2020

TIMME: 多任务多关系嵌入实现 Twitter 意识形态检测

PDF
TL;DR本篇文章主要研究如何利用多任务多关系嵌入模型（TIMME）处理 Twitter 数据集中的意识形态探测分类问题，文章指出 TIMME 相比其他模型有更好的综合表现。
ideology detectiontwitter datamulti-task multi-relational embedding modelclassification problemtimme
发现论文，激发创造
  • 使用不同类型链接的推特用户的意识形态检测

    本文提出了一种新的基于社交媒体信息的意识形态检测方法，利用 Twitter 用户与政治人物的关注、提到和转发链接来确定用户的意识形态，使用概率模型解释了链接建立的原因，并自动学习了每种类型链接对决定一个用户意识形态的重要性，实验表明该模型在排名和政治取向分类精度方面具有优势，与直觉相符。

    Dec, 2016

  • 阅读推文之间：解读相互连接的混合意识形态社群的立场

    该研究使用自然语言处理技术研究了 2020 年美国选举的 Twitter 讨论，通过比较语言模型生成的回复和真实调查结果，提出了一种新的方法来揭示相互关联的多样的意识形态社群中复杂的意识形态。

    Feb, 2024

  • Twitter 是否知道你的政治观点？POLiTweets 数据集和半自动方法的政治倾向发现

    研究发现，使用社交媒体平台的用户只需发表 13 篇与社会相关的帖子即可预测其政治取向，作者通过创新的半自动化方法来发现用户的政治倾向，并公开了波兰的 POLiTweets 数据集，以研究多党制的政治倾向和领域转移等问题。

    Jun, 2022

  • 通过多民族场景推断政治倾向

    社交媒体用户通过与其他用户的互动、自发声明或参与网络社区表达其政治偏好，因此像 Twitter 这样的社交网络是研究计算科学方法在政治学习推理方面的宝贵数据源。本研究聚焦于西班牙的三个多样化地区（巴斯克地区、加泰罗尼亚和加利西亚），探索用于分析不断演变和复杂的政治格局所需的多党分类的各种方法，并将其与二元左右派方法进行比较。我们采用两步法，通过从转发中获取的无监督用户表示来进行政治倾向检测。对于由标记用户及其互动组成的新收集和筛选数据集的全面实验证明，将关系嵌入作为政治意识形态检测的表示方法，在有限的训练数据下，在二元和多党框架中都具有有效性。最后，数据可视化展示了关系嵌入捕捉复杂的组内和组间政治共鸣的能力。

    Jun, 2024

  • 选举相关推文自动检测和分类

    本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

    May, 2016

  • Twitter 主题分类

    本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

    Sep, 2022

  • TIES: 增强 Facebook 社交媒体诚信的时间交互嵌入

    本文提出了一种名为 TIES 的模型，它是一种基于深度学习的监督模型，可以保护 Facebook 上的不同社交媒体实体免受虚假信息、假账号和广告欺诈等问题的侵害。TIES 可以捕捉社交实体的动态和静态行为，具有良好的实时监测效果，可以在 Facebook 大规模网络中应用。

    Feb, 2020

  • 基于联合非负矩阵分解的 Twitter 意识形态倾向学习

    本论文通过机器学习方法，建立了一个自由派 - 保守派意识形态空间模型，对推特上的用户和媒体进行了分类，并提出了一种有效的解决信息过滤气泡问题的方法。

    Nov, 2017

  • 在 Twitter 辩论中识别持不同观点的用户

    使用 Retweet-Based Label Propagation 算法和监督分类器识别社交媒体上不同意见的用户，以了解公共政策等热门议题的大众观点。

    Feb, 2014

  • 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