May, 2023

基于社交媒体属性的关键词检测：Sina 微博上的 IDF-LDA 模型应用

PDF
TL;DR本文提出了一种基于 IDF 和 LDA 模型相结合的方法，以更好地应对社交媒体数据的不同属性，通过基于点赞数、评论数和转发数等属性来加权每个文档的重要性，从而有效地检测出越来越具有代表性的关键词，实验证明该方法在各种评估指标，包括多个问题设置的精度和召回率等方面优于基准。
social mediakeyword detectioninverse document frequencylatent dirichlet allocationtemporal patterns
发现论文，激发创造
  • 社交网络上 “智能” 垃圾邮件的检测：主题模型方法

    本研究提出了一种基于 LDA 潜在狄利克雷分布的新型垃圾邮件分类方法，提取了主题分布模式的本地和全局信息，优于其他最先进的方法，能够有效识别社交网络上类似合法用户的智能垃圾邮件。

    Apr, 2016

  • 文本语言识别

    利用微博和深度学习技术，研发了一种可靠的语言识别引擎，在 Discriminating between Similar Languages (DSL) Shared Task 2015 数据集上达到了 95.12% 的准确率。

    Jan, 2017

  • 一种高再现性和高准确度的自动化主题分类方法

    通过比较 LDA 和社区检测算法的优缺点，该研究提出一种用于主题发现的新算法，可在英文维基百科大规模文章中展现层次结构，提高文本分析系统的可靠性。

    Feb, 2014

  • 利用大型语言模型在社交媒体中检测影响活动

    社交媒体影响力竞选对公共话语和民主构成重大挑战，传统检测方法因社交媒体的复杂性和动态性而力不从心。本文提出了一种新颖的检测方法，利用大型语言模型（LLMs）结合用户元数据和网络结构。通过将这些元素转化为文本格式，我们的方法能够有效处理多语言内容并适应恶意竞选行为者不断变化的策略。通过在多个数据集上进行严格测试，我们验证了模型的有效性，并展示了其在识别影响力竞选方面的卓越性能。本研究不仅提供了一个强大的检测工具，而且为未来改进社交媒体影响策略的快速演变奠定了基础。

    Nov, 2023

  • 基于 Transformer 处理的模糊主题建模新方法

    基于软聚类和文档嵌入的模糊主题建模对比传统的 Latent Dirichlet Allocation（LDA）模型，在新闻发布监测中，得到了更加自然的结果。

    Sep, 2023

  • I-AID：从与灾害相关的推文中识别可行信息

    本文提出 I-AID，这是一种多模型方法，可将推文自动分类为多标签信息类型，并从海量的社交媒体数据中过滤关键信息。I-AID 包括三个主要组件：基于 BERT 的编码器、图注意力网络（GAT）和可学习距离度量的关系网络。经过多次实验，结果表明在 TREC-IS 数据集和 COVID-19 推文上，I-AID 在加权平均 F1 得分方面的表现优于现有的最新方法 6％和 4％。

    Aug, 2020

  • 慈善众筹活动中探索主题特征的潜在狄利克雷分配（LDA）语义文本分析方法

    本研究在未开发的慈善众筹领域展示了主题建模的实用性，通过使用文本分析和潜在主题挖掘，从慈善活动描述中提取潜在主题，并利用这些主题和数值参数预测活动的成功与否。

    Jan, 2024

  • 主题模型的网络方法

    采用随机块模型方法，针对主题建模中存在的问题，提出了一种更具通用性和原则性的框架，该框架能够自动检测主题数和分级群集单词和文档，从而比 LDA 在统计模型选择方面提供更好的主题模型。

    Aug, 2017

  • 反讽和刻板形象的画像：探索情感、主题和词汇特征

    通过词汇特征和 TF-IDF，在 Twitter 用户中检测到具有讽刺意味的信息，并通过特征选择和模型构建达到 F1 得分 0.84 以上。

    Nov, 2023

  • Peacock: 针对工业应用学习长尾话题特征

    本文提出了一个新的分布式系统 Peacock，以学习大规模的 LDA 主题模型，可以从大规模数据集中推断出至少 10^5 个主题，对于工业搜索引擎和在线广告系统都有显著的提高。

    May, 2014