May, 2023

衡量有影响力的信息对不同角色的影响

PDF
TL;DR本文提出了一个新任务 ——Response Forecasting on Personas for News Media，并创建了一个包含 13,357 条回复的数据集，以预测不同人物或人群对新闻事件的不同响应，其中任务除了预测评论的情感极性和强度外，还引入了个性化因素，利用最新的神经语言模型进行研究，分析结果表明，加入人物特征有助于预测响应的所有维度，同时该任务的制定还能够应用于社交网络分析中的极端意见群体讨论等多种有趣应用。
发现论文，激发创造
  • 面向基于个性化的共情式对话模型

    本文提出了一个新任务，即基于角色的移情对话，并首次对角色对移情反应的影响进行了实证研究。作者提供了一份新的大规模多领域数据集，使用高效的 CoBERT 模型进行回答选择，实验证明，当 CoBERT 模型基于移情对话训练时，角色更有助于提高移情反应，从而为人类对话中的角色和移情之间建立了经验证据。

    Apr, 2020

  • 解读缄默的多数：借助大型语言模型诱导信念增强的社会图谱进行响应预测

    自动响应预测对新闻媒体具有重要作用，能够帮助内容制作者高效预测新闻发布的影响，防止意外的负面结果，如社会冲突和道德伤害。为了有效地预测响应，必须开发利用社交动态和上下文信息的度量，特别是在用户的明确个人资料或历史行为有限的情况下（被称为潜伏者）。本研究提出了一种新颖的框架，名为 SocialSense，它利用大型语言模型在现有社交网络之上诱导出基于信念的图，并通过基于图的传播捕捉社交动态。我们假设搭建跨越远程用户之间的连接、共享相似信念的诱导图能够有效捕捉响应模式。我们的方法在零样本和监督设置的实验评估中超过了现有的最新技术，证明了它在响应预测方面的有效性。此外，分析揭示了该框架有效处理未见用户和潜伏者情况的能力，进一步突出了它的稳健性和实用性。

    Oct, 2023

  • 模拟：在智能邮件响应中建模个性

    本文提出了一个生成个性化电子邮件回复建议的设计、实现和效果，该建议可以根据用户的风格和个性来进行个性化回复，以此来增强用户的生产力和保持其在回复中的标记

    Jun, 2018

  • 从新闻中学习：在 Twitter 上预测实体的热度

    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

  • 使用注意力记忆网络从对话中学习人物角色

    本研究报道了一种基于神经网络模型的人设推理方法，通过对 IMDB 电影台词的编码和特征表示学习，模型能够有效地根据角色类型实现人设嵌入，并应用于电影角色相似性度量和电影聚类。

    Oct, 2018

  • 基于角色的神经对话模型

    本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

    Mar, 2016

  • 社交媒体中的新闻脉搏：流行度预测

    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

  • 供应即时反馈生成的作者定义的 AI 角色

    根据作家定义的目标读者的 AI 角色生成按需反馈，为支持作家使用人工智能而拓展了社会技术视角。

    Sep, 2023

  • 利用大型语言模型和逼真的机器人账号激励社交媒体平台上的新闻消费

    检验如何在真实环境中提高用户接触和参与经过验证和意识形态平衡的新闻，以增强他们对政治事务的关注和对品质新闻的认同。

    Mar, 2024

  • 数据视角统一和个性化：社会规范应用

    本文针对社交媒体上的冲突话题，研究了如何利用个性化方法对 13k 个标注者进行标注，比较了该方法在预测社交规范感知方面的有效性，并对不同关系下的社会情境的性能进行了分析。

    Oct, 2022