本文使用监督学习方法,基于新闻周期预测 Twitter 上实体的受欢迎程度,并提取四类特征进行预测,结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。
Jul, 2016
使用语义网络特征进行机器学习任务时,回归分析预测社交媒体用户未来活动需要丰富的特征。本研究通过使用语义网络作为用户级特征,并结合回归实验,表明该方法在预测社交媒体的响应率方面表现良好,适用于大型数据集。
Oct, 2023
本文介绍了一个 4 个月的项目,利用机器学习和深度学习技术自动识别推文受欢迎程度演化的模式。通过一个点到点距离的聚类算法来了解数据和问题的范围,再使用特征提取等技术分析以改进算法。虽然算法最终无法自动化此任务,但本次尝试提出了有关病毒式传播对社交网络的影响的复杂但必要的问题。
Jan, 2023
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
通过特征消融实验和特征消除方法确定最佳分类性能,我们发现,词汇特征对于识别抑郁症状至关重要,简单的词汇特征和减少的特征集可以产生与更大的特征集相媲美的结果。
Jan, 2017
通过整理有关推特的无监督学习模型,以提高其表现,进而提高情感分析、主题预测等商业应用的质量。
Jun, 2017
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
本文旨在通过建立多维特征空间来分析新闻文章的性质,采用回归和分类算法预测其在线受欢迎程度,发现可在 Twitter 上以 84% 的准确率范围内预测其受欢迎度,并突显传统来源与社交网络受欢迎性的差异。
Feb, 2012
本文提出了一种通过语义聚类短信息的方法来早期发现新兴实体,并设计并利用性能评估指标来评估该方法的性能表现。结果表明,该提议方法发现的新兴实体不仅仅是 Twitter 趋势的范畴。
Jul, 2022
本文研究了 Twitter 上由俄罗斯入侵乌克兰引起的信息趋势,考虑了不同方法用于分析新闻趋势,分析了深层学习用于假新闻检测,使用频繁项集和关联规则理论和图论进行新闻趋势分析。
Apr, 2022