预测南非地方选举政治情绪的半监督学习方法
本文使用 Transfer Learning 和 TF-IDF 技术以及 Linear Support Vector 分类器方法构建了自动推文分析器,以分析 2019 年印度选举期间人们的情感倾向和观点,进一步处理了原先未被考虑到的用户发布的挖苦推文。
Jan, 2022
本研究分析希腊,西班牙和英国国会议员的 Twitter 帖子,通过情感分析探索这些政治家的帖子是否遵循推广负面情绪以获得更高转发量的趋势,结果表明政治家的负面情绪的推文在最近时间内更广泛传播,突显情感和受欢迎程度的交集方面的有趣趋势。
Feb, 2022
本文分析了加纳选民在 2020 年总统选举期间在 Twitter 上发布的推文,并使用机器学习方法对推文进行分类和评估,结果显示逻辑回归是最佳表现方法。
Jun, 2023
通过手工标记方法分析南非推文中的疫苗犹豫情绪,建立 AI 分类模型,并评估其在 UGC 分类中的可靠性。在 30000 个南非推文数据集上,使用 LSTM、bi-LSTM、SVM、BERT-base-cased 和 RoBERTa-base 模型进行情感分析。其中,BERT 和 RoBERTa 模型的整体 F1 得分分别达到 60% 和 61%。采用 LDA 主题建模以改进 RoBERTa 模型的准确性。
Jul, 2023
本文介绍了一种基于深度神经网络的技术框架,用于在 Twitter 上连续纵向地识别和分析选举相关的对话,其模型可以将选举相关的推文检测的 F 分数为 0.92,并将这些推文分类为 22 个主题,其 F 分数为 0.90。
May, 2016
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
本论文采用词袋和 ParsBERT 进行机器学习和深度学习模型分析波斯语政治推文的情感,结果表明,使用 ParsBERT 嵌入的深度学习模型优于机器学习模型,在第一组具有三个类别的数据集上,CNN-LSTM 模型的分类精确度最高,达到 89%,在第二组具有七个类别的数据集上,分类精度为 71%,由于波斯语的复杂性,此研究的效率相对较低。
Jul, 2023
通过两个机器学习模型的优势相结合,我们提出了一个混合模型来检测竞选负面情绪,利用推特等社交媒体平台的数据分析候选人和政党的策略。通过分析 50 位政治用户在伊朗总统选举前一年内发布的 5,100 条推文,我们的最佳模型(RF-RF)在宏观 F1 分数上达到 79%,加权 F1 分数达到 82%。我们发现推文的发布与其负面情绪无关,与政治人物和政治组织的名称直接相关。
Oct, 2023
本研究使用基于 BERT 的模型分析推特上关于俄乌战争的观点和情感,采用邻域平均法模拟和聚类各国家时间序列,并提供有关公众对此冲突看法的有价值的见解。
Jan, 2023
本文提出了一个针对社交媒体帖子进行处理的原型框架,旨在考虑市政决策。该框架通过以下三个步骤实现:(1) 确定每个社交媒体帖子的情感极性,(2) 识别流行主题并将其映射到各个帖子,以及 (3) 将这两个信息合并成表示对每个主题表达的整体情感的模糊数。该框架在约两个月的时间里,使用捷克奥斯特拉发表的推文进行演示,展示了模糊数在更丰富方式中表示情感,以及捕捉社交媒体上表达的各种观点。
Aug, 2023