Apr, 2022

利用零样本学习算法在推特上检测用户态度

HTML
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。
发现论文，激发创造
  • 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

  • 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

  • 回复和引用中的立场（SRQ）：用于学习 Twitter 会话中立场的新数据集

    通过对推特上有争议话题的帖子进行回复和引用回复的态度标注，创建了包含超过5200个态度标注的推特态度数据集，以提高谣言识别和用户间敌对关系判定的效果。同时，为了提高识别准确率，研究者还设计了引导标注数据选取的方法。研究表明，与单一信息源不同，收集回复和引述信息可以提高学习文本态度的准确性。

    Jun, 2020

  • 社交媒体立场检测：现状与趋势

    该文综述了社交媒体上基于观点挖掘的新兴姿态检测技术，比较了不同领域的方法，包括自然语言处理、Web科学和社交计算，并在现有基准数据集上介绍了这些姿态检测技术的最新结果，讨论了最有效的方法和技术，还探讨了社交媒体上姿态检测的新趋势和应用，最后总结了目前该领域存在的缺陷和未来发展方向。

    Jun, 2020

  • 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党派预测

    通过综合调查和实证比较当前党派预测实践，本文提出了几种与或超过最先进方法相竞争的新方法，同时需要更少的计算资源，使从业者能够从多种数据类型中选择并获得强大性能。

    Aug, 2023

  • 建模社交媒体帖子的政治取向：一项扩展分析

    通过使用新闻媒体偏见和帖子内容来标记社交媒体帖子的两种启发式方法，以及与随机抽取的人工标注数据集进行比较，我们展示了当前机器学习模型在预测社交媒体帖子的政治倾向方面的改进性能，采用传统的监督学习和少样本学习设置。

    Nov, 2023

  • 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

  • 社交媒体立场检测综述：新方向与视角

    本研究针对社交媒体上关于争议话题的立场检测问题，提出了一种系统化的分析方法，以洞察公众情绪。通过回顾现有的传统和先进方法，研究发现需要构建更强大和可推广的模型，并强调关注低资源语言和多模态立场检测等新兴挑战。

    Sep, 2024