AAAIApr, 2021

利用联合嵌入模型分析 Twitter 用户的生活方式选择

PDF
TL;DR通过多视角表示学习，结合用户的社交和文本信息，构建相关用户的上下文表示，以理解他们的生活方式选择，该文提出了一种联合嵌入模型并将其应用于推文分析。在实验中，模型在 Yoga 和 Keto 饮食领域中均取得了较好的表现。
multiview representation learningusers' representationsjoint embedding modellifestyle choicessocial media
发现论文，激发创造
  • 使用弱监督图嵌入表示 Twitter 用户

    本研究提出了一种基于图嵌入技术的弱监督框架来理解社交媒体用户类型，通过对推特中与健康相关的信息进行监督，我们证明了该框架在检测用户类型方面的优势，并展示了不同类型用户（从我们的数据集）的数据分析。

    Aug, 2021

  • 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

  • 利用时间和用户上下文改进推文表达

    本文提出了一种新颖的表征学习模型，通过系统性地利用用户 Twitter 时间轴上的文本 “上下文”，并考虑用户背景知识如写作风格和写作主题总结，从而准确地计算推文的语义表示，并通过实验证明，在预测用户配偶、教育和工作等人物属性时，该模型优于现有最先进模型，分别提高了 19.66%、2.27% 和 2.22%。

    Dec, 2016

  • 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

  • 社交媒体中的姓名嵌入

    本文使用公共 Twitter 数据研究人名嵌入学习，证明其在建立人名嵌入模型方面的有效性，并发现人名嵌入进一步改进了以往的人口统计特征在寿命建模中的表现，嵌入中可能包含了细粒度群组因素，这一发现将有助于增强其他研究领域的预测能力。

    May, 2019

  • 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

  • 多视角深度学习预测 Twitter 用户位置

    本文提出了一种名为 MENET (Multi-Entry Neural Network Architecture) 的深度学习模型，能够综合使用利用 Twitter 用户生成内容、用户间连接性以及元数据等多种数据表示方式进行 Twitter 用户地理位置预测，且在三个基准数据集上表现显著优于现有方法。

    Dec, 2017

  • 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

  • 瑜伽素食主义：推特健康数据的相关性挖掘

    本研究通过主题建模探索社交媒体上有关健康话题的推文，并发现了有趣的相关性（如瑜伽与素食主义的相关性），最后通过手动注释评估了模型的准确性。

    Jun, 2019

  • 面向个性化文本分类的增量用户嵌入建模

    本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

    Feb, 2022