推文的受欢迎度动态
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
自互联网技术发展以来,客户满意度一直是公司发展中的主要因素之一。在线平台已成为分享评论的主要场所之一,Twitter 是其中之一,客户经常在这些平台上发布自己的感想。对于航空公司而言,在这些平台上的航班点评已成为问题。正面的点评可以帮助公司发展,而负面的点评则可能迅速损害收入和声誉。因此,对于航空公司来说,研究客户的反馈和体验,并改进他们的服务以保持竞争力至关重要。然而,研究数千条推文,并分析它们以确定客户满意度是一项相当困难的任务。可以通过使用机器学习方法来分析推文,以确定客户满意度水平,从而简化这个繁琐的过程。对于自动化过程,已经对这种策略进行了一些工作,并使用机器学习和深度学习技术。然而,它们完全只关注对文本情感的评估。除了文本,推文还包括时间、地点、用户名、航空公司名称等信息。这些附加信息对于改进模型的结果至关重要。为了提供一个基于机器学习的解决方案,本研究扩大了其视野,包括这些特性。而且,不出所料,超出文本情感分析的附加特征会产生更好的机器学习模型结果。
Feb, 2024
本文旨在通过建立多维特征空间来分析新闻文章的性质,采用回归和分类算法预测其在线受欢迎程度,发现可在 Twitter 上以 84% 的准确率范围内预测其受欢迎度,并突显传统来源与社交网络受欢迎性的差异。
Feb, 2012
本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息,预测了短消息的传播程度和转发总数,有效提前几分钟预测结果,对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。
Apr, 2013
本文使用监督学习方法,基于新闻周期预测 Twitter 上实体的受欢迎程度,并提取四类特征进行预测,结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。
Jul, 2016
本项目的目标是通过使用社交媒体上的公开可用数据来创建和研究识别早期警报信号的新技术,这些信号预示着社会失序事件,如暴动、战争或革命。该研究的一般想法是建立一个二元分类器,预测给定的推文是否与破坏性事件有关。结果表明,基于拓扑的算法稳定性较高,比基于深度学习的异常检测算法表现更好。我们还对方法的普适性进行了测试,结果非常有前途。
Mar, 2023
本研究旨在使用机器学习方法分析 Twitter 上提到的航空公司航班服务的客户满意度,通过情感分析、词汇分析和时间序列分析,检测顾客情感的异常波动,以帮助航空公司及其他客户面对顾客的快速变化而采取适当措施。
Sep, 2022
该论文介绍了一种针对 Twitter 的流式框架,用于在线检测和聚类社交媒体中的模因,通过 “原型模因检测” 预聚类后,在多个相似性衡量标准的基础上聚合原型模因,建立起与语义、结构、主题数相关的推文集群。
Nov, 2014
本篇文章阐述了使用图论、频繁项集和关联规则理论,构建和检索不同特征来进行推测性分析,揭示与指定实体相关的推文的语义结构。并且证明了语义频繁项集的定量特征可以用于具有指定目标变量的预测回归模型。
Jan, 2022