May, 2022

社交媒体疫苗态度检测中立场和方面主题的分离学习

PDF
TL;DR本文提出了一种新的半监督方法 VADet 用于检测疫苗态度，该方法通过主题建模学习无标记数据的主题信息，再用少量手动注释的样本进行微调。实验结果表明，该方法能够学习到立场和方面主题，且在立场检测和推文聚类方面优于现有的基于方面的情感分析模型。
vaccine attitudessocial mediasemi-supervised approachvadettopic modeling
发现论文，激发创造
  • 解码问题：社交媒体中疫苗情感的多标签分类

    应对疫苗相关的多样化担忧，本文通过多种先进的自然语言处理技术和机器学习算法，包括 BERT、GPT 3.5、分类器链和传统方法如 SVM、随机森林、朴素贝叶斯，开发了一种强大的多标签分类器，能够根据与疫苗相关的担忧指定特定的关注标签。研究发现，尖端的大型语言模型在这个领域的表现超越其他方法。

    Dec, 2023

  • 利用多模深度学习检测社交媒体上的医疗虚假信息

    本研究旨在发展一种深度学习网络，利用视觉和文本信息以检测社交媒体中具有反疫苗信息的帖子，通过新的语义和任务层注意机制和三个分支的模型，本研究在 Instagram 实时社交媒体数据集上的实验表明，模型可以实现 97% 以上的测试准确性。

    Dec, 2020

  • W2VLDA: 面向方面的情感分析的几乎无监督系统

    本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA，配合一些其他无监督方法和最小配置，能够为任何给定的领域和语言执行方面 / 类别分类，分离方面术语 / 观点词和情感极性分类，并在多语言数据集 SemEval 2016 任务 5（ABSA）中获得具有竞争力的结果（对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域）。

    May, 2017

  • 深入对话线程，改进社交媒体平台上的目标特定立场检测

    本文提出一种新的目标特定立场检测任务 —— 会话立场检测，旨在推断给定数据实例及其相应的会话主题的立场。为此，通过六个主要的香港社交媒体平台，使用注释技术构建基准会话立场检测（CSD）数据集，提出一种模型 Branch-BERT，将上下文信息融入到会话线程中以预测要检测的立场，实验证明该模型相较于其他基线模型能够取得更好的结果表现。

    Nov, 2022

  • 基于对抗学习的 COVID-19 健康政策立场分类器

    通过采用对抗学习算法，本文提出了一种针对 COVID-19 相关的健康政策的立场分类器，该算法能够在少量有标注数据的情况下识别公众对政策的态度，并在交叉目标和零样本设置下实现最先进的性能。

    Sep, 2022

  • 通过对抗性语言适应实现零样本跨语言立场检测

    在多语言状态检测领域，本论文首次引入零样本跨语言状态检测方法（MTAB），通过翻译增强和对抗学习提升了模型效果，实验证明了该方法的有效性。

    Apr, 2024

  • 自动编码变分推断在基于方面的意见摘要中的应用

    本文提出了基于 Autoencoding Variational Inference 的模型，用于 Aspect-based Opinion Summary (AOS) 中的 aspect discovery 和 sentiment classification 问题，并成功应用于 AVIAD 模型和 AVIJST 模型中，实验结果表明相比 LDA 模型，我们的模型具有更高的主题一致性、更快的收敛时间和更好的情感分类精度。

    Feb, 2019

  • 一份涵盖多语言的 Twitter COVID-19 疫苗态度数据集

    该研究通过社交媒体平台收集了超过 200 万条与 COVID-19 疫苗相关的推文，其中约 1% 的推文被标注了原始作者的疫苗接种立场，研究评估了不同模型在从社交媒体数据中提取公众态度方面的表现，并确定了其在跟踪公众 COVID-19 疫苗接种态度变化方面的潜在用途。

    Jun, 2022

  • 对 COVID-19 疫苗立场检测中的时间性考察

    本研究旨在检测时间演变对于 Twitter 上 COVID-19 疫苗态度检测的影响，通过比较不同的时间处理方法可以有效提高模型分类效果。结果表明，时间分割对于态度分类准确性具有重要影响，未来的研究需要更好地考虑时间因素。

    Apr, 2023

  • 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