WSDMJan, 2022

从带符号社交图中学习立场嵌入

PDF
TL;DR该论文提出了一种基于 Stance Embedding 模型的社交网络分析方法，该模型能够识别用户在不同话题上的立场并将其通过 signed social graphs 表达，同时还能在缺少用户参与数据的情况下进行观点预测，作者使用 Twitter 数据集对该模型进行了验证，证明了 SEM 在话题分析方面的有效性。
social network analysisstance embeddings modelsigned social graphstopic stance detectiontwitter signed graph datasets
发现论文，激发创造
  • STEntConv：利用立场检测和有符号图卷积网络预测异议

    社交媒体平台的兴起导致了在线讨论的极化增加，特别是在选举和气候变化等政治和社会文化议题上。我们提出了一种简单而新颖的无监督方法，利用用户在帖子中关于命名实体的观点，预测两个帖子的作者是否持相同立场。我们提出了 STEntConv，这是一种构建用户和命名实体之间带权重的图，并训练带符号图卷积网络（SGCN）来检测评论和回复帖子之间的分歧的模型。我们进行了实验和消融研究，并展示了在 Reddit 帖子数据集上，包含这些信息可以提高针对一系列有争议的子论坛主题的分歧检测性能，而无需特定平台特征或用户历史记录。

    Mar, 2024

  • STEM: 无监督结构化嵌入用于立场检测

    本文提出一种无监督的框架，用于姿态检测，基于构建多参与者讨论的相互作用网络并从中提取每个说话者的拓扑嵌入向量，用于区分不同阶层的持观点言论者，表现出色，并且揭示了嵌入与说话者表达的赞成度之间的关系。

    Dec, 2021

  • 语言无关立场检测的关系嵌入

    该研究提出了一种利用社交信息生成关系嵌入的新方法，该方法可以应用于任何语言和目标，有助于在社交网络上进行立场检测。实验证明，将我们的关系嵌入与文本方法相结合可以显著提高性能。

    Oct, 2022

  • 社交媒体立场检测的可能因素分析

    本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

    Aug, 2019

  • 两阶段姿态标签化：用户 - 标签算法与图神经网络

    通过使用用户 - 标签二分图和用户 - 用户交互图，开发了一个两阶段立场标签方法，首先使用用户 - 标签二分图的启发式机制更新用户和标签节点的立场关联，然后将这些标签与用户 - 用户交互图结合，使用半监督学习训练图神经网络模型。实验证明，该方法在评估气候变化和枪支管制等分裂性议题在社交媒体上的极化互动时优于零样本立场标签技术。

    Apr, 2024

  • 利用远程网络监督进行半监督推文态度检测

    本研究介绍了一种新的基于半监督学习的立场检测方法 SANDS，通过构建深度特征视图和利用社交网络提供的远程监督信号，SANDS 在美国和印度两个不同政治派别下的推文数据上获得了较高的 F1 得分 0.55 和 0.49。

    Jan, 2022

  • Twitter 上的无监督用户立场检测

    本文介绍了一种高度有效的非监督式框架，用于检测 prolific Twitter 用户对有争议话题的立场。该框架利用降维和聚类来找到不同立场的代表性核心用户，无需标记用户，可以在几秒钟或几分钟内进行手动标记，并且对于数据偏度具有鲁棒性。

    Apr, 2019

  • 带符号网络中深度网络嵌入的图表示学习

    本研究使用深度学习网络嵌入方法，在保持结构平衡的前提下，学习有符号网络中的低维节点向量表示，并实现签名网络中的连接符号预测和社区探测。

    Jan, 2019

  • POLE：面向带符号网络的极化嵌入

    通过设计无偏分割极化度量并提出了极化嵌入方法 POLE，结合拓扑和符号相似性，在社交媒体中对负面链接进行签名网络机器学习预测。

    Oct, 2021

  • 利用零样本学习算法在推特上检测用户态度

    该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

    Apr, 2022