本文介绍了一种基于深度学习多模态融合系统的方法,以检测社交媒体互联网模因中存在的宣传内容,并在图像和文本分类中表现出优异性能。
May, 2022
该研究论文描述了关于如何检测阿拉伯推特上的宣传技术的共享任务,该任务吸引了 63 个团队注册,11 个团队提交了系统描述论文。
Nov, 2022
该研究提出检测交替语言的宣传技术是一项具有挑战性的任务,重点关注于低资源语言,提出了一种新的 Fine-Tuning 策略,并在一些实验中进行了对比。
May, 2023
通过为阿拉伯语模态研究开发一个包含传播性内容的阿拉伯语 memes 数据集,并进行了综合分析,旨在为其检测开发计算工具。
Jun, 2024
该论文探讨了通过 AI 处理多模态的宣传内容的方法,以分析并影响公众舆论,让机器更接近人类的理解水平。
Feb, 2023
该研究综述了当前计算机辅助的宣传检测技术的现状和挑战,并呼吁自然语言处理和网络分析领域加强合作,以应对利用互联网和社交网络进行有针对性宣传的问题。
Jul, 2020
本研究通过提出的五种模型集成方法,针对包含 21 种宣传技巧的多标签文本分类任务有效地识别互联网宣传。最终在 WANLP 2022 共享任务中获得 59.73% 的微型 F1 分数,并进一步提出了未来的研究方向。
Oct, 2022
本研究探讨使用 BERT 为基础的模型,通过迁移学习方式在多种表现形式的文本和图像中进行细微调整来检测饱受欢迎的疫情行销手法,如梗图。我们还尝试了不同模型的集合效果,在三个子任务上分别获得了 57.0%,48.2%和 52.1%的 F1-score。
Jun, 2021
利用 Class Definition Prediction 和超边缘嵌入方法构建的集成模型,提高了迷因分类的准确性和全面性,实现了多语言感化技巧的检测任务。
Apr, 2024
该研究旨在通过在句子级和标记级别上识别政治新闻中的宣传内容,识别宣传在句子中嵌入因果关系或与附近句子形成对比的内容以及意见评价、推测和未来预期,进而建立两个教师模型识别附近句子之间的 PDTB 样式话语关系和新闻文章中句子的常见话语角色,通过使用教师预测的概率作为附加特征或在知识蒸馏框架中寻求指导来整合这两种类型的话语结构进行宣传识别,实验结果显示利用话语结构的指导可以显著提高宣传内容识别的精确度和召回率。
Oct, 2023