Apr, 2022

利用零样本学习算法在推特上检测用户态度

PDF
TL;DR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。
political orientationsocial mediastance detectionunsupervised learningtwitter
发现论文，激发创造
  • 社交媒体上零样本立场检测的对抗学习

    本文提出一种基于对抗学习的零样本立场检测模型，能够在不同话题上实现最先进的性能和零样本迁移，有助于识别和理解社交媒体上的偏见新闻或评论。

    May, 2021

  • 立场推理器：在社交媒体上的零样本立场检测与明确推理

    通过利用事前训练语言模型作为世界知识源，利用推理过程生成中间推理步骤的链式思维上下文学习方法，Stance Reasoner 在社交媒体上的零样本立场检测方面优于现有技术，包括完全监督模型，并且能够更好地推广到不同的目标，并提供明确且可解释的解释其预测。

    Mar, 2024

  • 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

  • 推文中的立场和情感

    本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。

    May, 2016

  • 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

  • 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

  • 推文立场检测：基于 SVM 的方法

    本研究探讨了面向体育相关推特的立场检测问题，并使用基于 SVM 的分类器在不同的特征集上进行了评估，结果表明将基于 unigram、hashtags 和 named entities 的特征组合使用于 SVM 分类器中是该问题的一个可行方法。

    Mar, 2018

  • (社交媒体数据中表达的态度) 与公共舆论调查之间的 (不) 一致性

    本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别，发现在进行态度检测时，存在时间不一致、不同建构和测量误差等问题，进一步为研究确定模型的局限性提供了一个框架，提供重要的见解。

    Sep, 2021

  • Twitter 话题立场检测：基于注意力机制的双阶段 LSTM 模型

    使用长短期记忆（LSTM）深度神经网络和注意力机制，提出了 T-PAN 框架来解决主题态度检测问题，分为两个阶段处理，第一阶段判断主观性，第二阶段判断态度，实验结果显示该框架取得了更优秀的效果。

    Jan, 2018

  • 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