Aug, 2023

社交媒体、主题建模与情感分析在市政决策支持中的应用

PDF
TL;DR本文提出了一个针对社交媒体帖子进行处理的原型框架，旨在考虑市政决策。该框架通过以下三个步骤实现：(1) 确定每个社交媒体帖子的情感极性，(2) 识别流行主题并将其映射到各个帖子，以及 (3) 将这两个信息合并成表示对每个主题表达的整体情感的模糊数。该框架在约两个月的时间里，使用捷克奥斯特拉发表的推文进行演示，展示了模糊数在更丰富方式中表示情感，以及捕捉社交媒体上表达的各种观点。
发现论文，激发创造
  • 在线社交网络中利用情感分析研究群体行为

    本研究利用社交媒体内容评估情感分析技术，创建主观性与群体行为和聚类系数之间的关联，并尝试预测 2021 年西孟加拉邦选举结果。

    Jul, 2021

  • 融合社交网络的用户级情感分析

    研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

    Sep, 2011

  • 多模态方面基情感分析技术用于社交媒体用户观点提取

    该研究使用机器学习技术分析社交媒体上用户的意见与经验，通过建立自动化数据分析流程找到图片和特定词汇，应用基于方面的情感分析方法发现用户对选择的主题的看法，提出了新的语义计算方法，为建筑专家等领域的研究者提供了新的见解。

    Oct, 2022

  • 借助 Twitter 数据进行交通用户反馈的情感分析：一种自然语言处理框架

    通过利用社交媒体平台（如 Twitter）上的数据，本研究提出了一种新颖的基于自然语言处理的框架，以便从用户的角度了解各种服务问题，并使用两种技术简化了用户反馈的获取和分析过程。该框架准确地对推文进行分类，并根据推文的情感强度和极性进行情感分析，展示了其在评估用户反馈方面的有效性。研究结果证实了该框架在通过廉价的社交媒体数据评估用户反馈、了解交通系统的问题并进行有针对性的改进方面的有效性。

    Oct, 2023

  • 多源社交媒体情感分析的比较研究

    本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

    Dec, 2022

  • 情感分析 OSN 仪表板工具

    本研究提出了一种社交网络情感分析仪表板，旨在通过提供情感分析算法、可视化类型和原始数据结果，帮助人们了解他们感兴趣的主题。

    Jun, 2022

  • 在 Crowd4SDG 中使用众包分析社交媒体

    本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。

    Aug, 2022

  • 社交媒体作为即时水质反馈渠道

    本研究旨在通过使用社交媒体的数据作为及时反馈，探究社交媒体作为水质监测的潜在价值，同时提出了一个使用多个神经网络结构的框架来分析与检索与水质相关的社交媒体帖子，其中最高的 F1-score 值为 0.81，而总体融合结果最高的 F1-score 值为 0.852。

    Feb, 2022

  • 社交媒体数据中环境帖子的情感和情绪分析

    分析社交媒体数据，使用 PMI 算法识别情感并探索环境推文中的主导情绪，发现消极的环境推文比积极或中性的推文更为普遍，重点讨论气候变化、空气质量、排放、塑料和回收等话题，以及恐惧、信任和期待是环境推文中最常见的情绪，旨在提供洞察以提高环境问题的意识，推动干预措施的发展并应对环境挑战。

    Dec, 2023

  • 社交媒体中与时尚相关帖子的情感分析

    在社交媒体平台中，基于多模态的情感分析是时尚相关帖子分析中的两大主要挑战，我们提出了一种新的框架，该框架可以共同利用图像视觉，帖子文本和时尚属性模态来确定情感类别。

    Nov, 2021