Sep, 2022

公共智慧至关重要！针对社交文本分类的语境感知双曲傅立叶共同注意力模型

PDF
TL;DR通过结合公共话语、超几何图谱和傅里叶注意力机制，提出了一个能够推广社交文本分类任务的模型 Hyphen，并在假新闻、仇恨言论、谣言和讽刺等四项社交文本分类任务中取得了最先进的结果。
social mediatext classificationpublic discoursehyperbolic graphco-attention
发现论文，激发创造
  • CoSyn: 基于上下文协同的双曲网络用于在线对话中隐含仇恨言论的检测

    本文提出了一种基于超伸缩空间的用户与对话上下文配合的机制 CoSyn，用于在线讨论中检测隐含仇恨言论，该方法在开放源 Twitter 数据集上的实验表明：CoSyn 在检测隐含仇恨言论方面表现出比其它方法更好的性能。

    Mar, 2023

  • 借用人类感官：面向社交媒体多模态分类的评论感知自我训练

    本研究提出了一种利用用户评论建模和自监督学习的方法，用于在社交媒体上进行图像文字关系分类、讽刺检测、情感分类和仇恨言论检测等多模态分类任务，结果表明该方法进一步提高了先前最先进模型的性能。

    Mar, 2023

  • 基于异构图注意力网络的 Twitter 谣言早期检测

    本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。

    Jun, 2020

  • 基于图变换的定性分析，应对仇恨言论：适应内容动态变化

    本文介绍了一种利用图转换网络、注意力和 BERT 等自然语言处理技术来预测社交媒体中仇恨言论的方法，并分析了该方法在检测效果上的优劣和扩展性。研究发现，关注上下文可以支持多模态的在线帖子分析，从而解决社会影响的 AI 解决方案中面临的动态变化的问题，并通过策划内容来增进心理健康。

    Jan, 2023

  • 关注融合：一种基于 Transformer 的多模态仇恨言论检测方法

    通过结合音频和文本表征，利用 Transformer 方法和自主开发的 “Attentive Fusion” 层，本研究提出了一种识别言论是否宣扬仇恨的方法，取得了 0.927 的宏 F1 得分，超过了此前最先进的技术。

    Jan, 2024

  • 使用混合神经网络进行讽刺语言检测

    通过引入新的由新闻头条数据集组成的数据集，以及使用子神经网络和注意机制，本论文提出了一种有效识别铁 y 定义类的方法，其在分类精度方面优于基准线约 5%。

    Aug, 2019

  • 利用社交关注解决情感分析中的语言变异问题

    本文介绍了一种基于注意力机制的神经网络结构，利用社交网络中的同质性，将分类函数平滑化，从而实现个性化的情感分析模型，提高在 Twitter 和评论数据上的情感分析准确性。

    Nov, 2015

  • 使用图形转换网络和社交上下文预测 Reddit 上的仇恨性讨论

    本研究提出了一种系统来预测社交媒体平台上有害讨论，该解决方案使用上下文深度语言模型，并提出将最先发帖后的所有对话分析整合到最先发帖中，同时支持适应未来评论的分析。此外，将探讨针对特定社区的仇恨言论的分析是否会导致更有效的检测。我们从各种社区的 333,487 个 Reddit 讨论评估了我们的方法，发现社区特定建模将性能提高了两倍，并且捕捉更广泛的讨论背景的模型相对于有限背景的模型精度提高了 28％（最仇恨的内容提高了 35％）

    Jan, 2023

  • 基于 Transformer 的社交媒体对话线程中上下文感知的讽刺检测

    我们提出了一个基于 Transformer 模型的讽刺检测模型，可以有效考虑上下文，达到更加准确的预测，其在 Twitter 和 Reddit 的数据集上表现出了 3.1% 和 7.0% 的提升，F1 分别达到了 79.0% 和 75.0%，成为了该共享任务 36 个参与者中表现最好的系统之一。

    May, 2020

  • 使用指导索赔的分层图注意网络在 Twitter 上检测谣言

    本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

    Oct, 2021