Jul, 2023

社交媒体中捕捉顾客洞察的专题方法

PDF
TL;DR社交媒体时代为企业开启了新的机遇，但其中的文本数据分析则面临着诸多挑战。本研究针对嘈杂、大数据背景下的无监督主题提取问题，提出了三种基于变分自编码器框架的方法，并在实际使用案例中对这些方法进行了测试，证明了它们相较于现有方法在主题建模领域能够取得同等或更好的性能，并指出主题建模领域需要改进评估指标。
social mediamarketing researchdata analysisunsupervised topic extractiontopic modeling
发现论文，激发创造
  • 基于预训练语言模型的社交媒体时间感知话题识别：以电动汽车为例的案例研究

    本研究提出了一种基于预训练语言模型的时序话题识别方法，采用 reddit 电动汽车数据进行实证分析，证明了从海量社交媒体中以时序方式捕获新出现话题的可行性。

    Oct, 2022

  • 分析客户评论中主题建模技术的力量：比较分析

    在线社交网络平台的指数增长导致了大量的用户生成文本内容，这包括评论和评价。为了解决这一挑战，机器学习和自然语言处理算法已经应用于分析在线可用的大量文本数据。在最近几年，主题建模技术在该领域中获得了显著的流行度。本研究全面研究和比较了特定应用于客户评价的五种常用主题建模方法，通过在实际场景中展示它们在检测重要主题方面的益处，旨在突出它们的功效。我们通过精心选择两个文本数据集来评估这些主题建模方法的性能，评估是基于标准的统计评估指标如主题连贯性得分。我们的发现揭示了 BERTopic 在提取有意义的主题方面始终表现出色并取得了良好的结果。

    Aug, 2023

  • 利用主题和深度变分模型的可解释假新闻检测

    本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向 LSTM 网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。

    Sep, 2022

  • 超越注意范式：从地理空间社交媒体数据中的隐性学习

    分析社交媒体数据中的位置和口语与 Twitter 数据之间的关系，采用每个城市特定的词袋模型并评估它们的表现。揭示了地理位置对在线交流的重大影响，证明了即使在嘈杂的数据中，也可以发现隐藏的见解。这项研究将复杂的模型与抽象理解结合起来，为将结构化模型与推测性推理相融合的系统开辟了道路。

    Oct, 2023

  • 通过拓扑自然语言分析揭示客户问题

    电子商务公司关注顾客服务请求，提出了一种新型的机器学习算法，利用自然语言技术和拓扑数据分析监控顾客问题的新兴和趋势，验证结果与新闻来源高度一致。

    Feb, 2024

  • 融合词嵌入的短文本主题建模

    本篇论文介绍了一种基于词向量和马尔科夫随机场正则化模型的主题模型，从而改进对小文本数据的话题推断。结果表明，与传统主题模型相比，改进后的方法可以更有效地对短文本数据进行话题建模。

    Sep, 2016

  • 社交媒体辅助危机管理中有监督分类和无监督主题建模之间的桥梁

    采用 BERT 嵌入并进行微调可以适应新危机，发现新主题，并从受监督训练中保留相关类别，利用双向自注意力提取主题关键词。其在人工和自动评估中胜过传统主题模型。

    Mar, 2021

  • 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

  • 关键词辅助的嵌入式主题模型

    本文提出了关键词辅助嵌入式主题模型（KeyETM)，它使嵌入式主题模型（ETM）得以利用用户先前领域知识中的信息，从而在量化指标和主题干扰任务的实验中展现了优秀的表现，而不仅仅是将话题模型作为无监督模型。

    Nov, 2021

  • 基于网络数据的自监督学习在多模态检索中的应用

    通过利用 Web 和 Social Media 数据，本文提出一种利用多模态图像和文本嵌入的自监督学习方法，在不需要人工注释的情况下学习强大的特征，并将文本领域学到的语义知识转移至视觉模型用于语义图像检索任务。研究分析了五种不同的文本嵌入方法，表明利用 Web 和 Social Media 数据学习的嵌入具有与监督方法相当的性能，且在训练目标数据时优于最先进方法。最后，介绍了 InstaCities1M 数据集，并演示了如何利用该数据集进行语义多模态图像检索。

    Jan, 2019