基于 Hashtag 的低资源推特分类

WWWFeb, 2023

Hashtag-Guided Low-Resource Tweet Classification

Shizhe Diao, Sedrick Scott Keh, Liangming Pan, Zhiliang Tian, Yan Song...

TL;DR本研究提出了一种基于 Hashtag 的推文分类模型（HashTation），该模型能够自动为输入推文生成有意义的 Hashtag，以提供有用的辅助信号进行推文分类。实验表明，HashTation 在低资源推文分类任务上取得了显著提高，从而减少了对大规模人工标记数据的需求。

Abstract

social media classification tasks (e.g., tweet sentiment analysis, tweet stance detection) are challenging because social media posts are typically short, informal, and ambiguous. Thus, training on tweets is chal

social media classification hashtags tweet sentiment analysis hashtag-guided tweet classification model low-resource tweet classification

发现论文，激发创造

通过编码对话上下文生成微博话题标签

本文提出了一种新的序列生成框架方法，通过将 hashtag 视为简短的单词序列来自动标注微博帖子的 hashtag，并提出了一个双向关注的方法来一起处理目标文章和由它们引发的对话内容。实验结果表明，我们的模型显著优于基于分类的现有模型，并能够有效生成罕见甚至未见过的 hashtag。

May, 2019

数据扩增语义关系推理在反亚裔仇恨言论检测中的应用

本研究提出了一种新方法，利用情感话题标记在自然语言推理框架中增强仇恨言论检测，并在实际数据集上证明了其相对于现有表示学习模型的有效性。

Apr, 2022

在 Hashtag 监管中分离自我表达和视觉内容

本文介绍了一种基于联合分布的图像标记方法，该方法能够有效地解决用户提供的主观性标签在图像标记和检索过程中带来的问题，并提出了一种用户条件检索和标记方法。

Nov, 2017

走向深度语义分析的 Hashtags

本文介绍了一种上下文感知的方法来分割并链接 Hashtags 中的实体到知识库中，以便通过提供 Hashtags 中实体的分割和链接信息提高推文中的实体链接的总体效果。

Jan, 2015

零样本基于提示的分类：德语推文中的主题标签

基于最新的自然语言处理技术，本研究通过使用基于写作指南的文本对文本界面而无需提供培训样本的方法，评估其在实际应用中自动化注释任务中的效果，结果表明即使受到本地计算资源限制，这种以提示为基础的方法与经过优化的 BERT 模型相当，且无需任何已标记的训练数据。

Jun, 2024

多任务配对神经排名用于标签分割

本文提出了一种基于神经网络和成对排名的方法，用于从社交媒体数据中提出具有元数据价值的 hashtag，并证明该方法比现有最先进的方法能够更准确地对 hashtag 进行分割。同时，作者还表明，这种更深层次的 hashtag 语义理解通过分割的方式对于情感分析等下游应用场景非常具有用处。

Jun, 2019

Twitter 主题分类

本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

Sep, 2022

TGSum: 基于推特的多文档摘要数据集构建

本研究提出了一种采用两种社交标签（即标签和链接）自动收集大规模新闻相关多文档摘要的有效方式，使用 ROUGE 指标和整数线性规划解决方案来生成摘要，收集的数据可用于支持向量回归自动文摘器的训练，提高了其性能。

Nov, 2015

两阶段姿态标签化：用户 - 标签算法与图神经网络

通过使用用户 - 标签二分图和用户 - 用户交互图，开发了一个两阶段立场标签方法，首先使用用户 - 标签二分图的启发式机制更新用户和标签节点的立场关联，然后将这些标签与用户 - 用户交互图结合，使用半监督学习训练图神经网络模型。实验证明，该方法在评估气候变化和枪支管制等分裂性议题在社交媒体上的极化互动时优于零样本立场标签技术。

Apr, 2024

当代语言：Hashtags 的实证分析

本文对 Instagram 上分享的 hashtag 进行了首次大规模实证分析，揭示了从时空、语义和社会维度出发的一系列发现，其中包括时序模式可划分为四个不同群集、语义位移较大的 hashtag 有不可忽略的比例、用户分享较均匀的 hashtag 不易语义位移。最后，作者提出了一个双向图嵌入模型以总结用户的 hashtag 概要，并基于这些概要进行好友预测，证明 hashtag 具有强大的社交信号。

May, 2019