Oct, 2023

使用轴嵌入的两阶段分类器进行选战负面情绪检测：以 2021 年伊朗总统选举期间政治用户的推文为案例研究

PDF
TL;DR通过两个机器学习模型的优势相结合，我们提出了一个混合模型来检测竞选负面情绪，利用推特等社交媒体平台的数据分析候选人和政党的策略。通过分析 50 位政治用户在伊朗总统选举前一年内发布的 5,100 条推文，我们的最佳模型（RF-RF）在宏观 F1 分数上达到 79％，加权 F1 分数达到 82％。我们发现推文的发布与其负面情绪无关，与政治人物和政治组织的名称直接相关。
campaign negativity detectionsocial media platformshybrid modelpolitical discoursepersian tweets
发现论文，激发创造
  • 选举相关推文自动检测和分类

    本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

    May, 2016

  • 使用 CNN-LSTM 模型对波斯语推文进行政治情感分析

    本论文采用词袋和 ParsBERT 进行机器学习和深度学习模型分析波斯语政治推文的情感，结果表明，使用 ParsBERT 嵌入的深度学习模型优于机器学习模型，在第一组具有三个类别的数据集上，CNN-LSTM 模型的分类精确度最高，达到 89％，在第二组具有七个类别的数据集上，分类精度为 71％，由于波斯语的复杂性，此研究的效率相对较低。

    Jul, 2023

  • 2020 年美国选举中针对政治对手的仇恨：基于攻击性言论和立场检测的 Twitter 语料库研究

    本研究分析 2020 年美国大选期间，支持者在社交媒体上对候选人的仇恨和冒犯性言论，建立了针对这些言论的标注任务，并采用 BERT 基线分类器评测了该任务的性能，从而为针对仇恨语言的计算模型提供了一种新的公开资源。

    Mar, 2021

  • 面向目标特定立场的嵌入式聚类：以极化的土耳其为例

    本文利用卷积神经网络对土耳其大选期间推特数据进行无监督的极性检测，对 108M 条推文和 213M 条用户推特进行多目标分类和极性聚类，实现用户态度识别和相关话题极化计算。

    May, 2020

  • KnowBias：检测长文本内容中的政治极性

    本文提出了一种基于推文训练的两步分类方案，用于检测长文本中的政治偏见。该方案包括通过推特数据训练中性检测器，用于去除文章中的中性句子以实现意见集中，并提高了文章的预测准确性。

    Sep, 2019

  • 推特数据中的态度预测与分析：以加纳 2020 年总统选举为例

    本文分析了加纳选民在 2020 年总统选举期间在 Twitter 上发布的推文，并使用机器学习方法对推文进行分类和评估，结果显示逻辑回归是最佳表现方法。

    Jun, 2023

  • 基于预测嵌入的推特仇恨言论检测

    利用预训练的词嵌入和最大 / 平均池化的神经网络方法，能够预测在三个公开数据集上的仇恨言论情况，相较于以往方法使用更少的参数和特征预处理，其在所有三个数据集上达到或超过了最新的 F1 表现。

    Sep, 2018

  • 预测南非地方选举政治情绪的半监督学习方法

    本研究通过使用基于图形的半监督学习方法，使用情感分析和潜在主题提取技术来分析南非选举期间 Twitter 上的情感和主题，结果表明南非 Twitter 用户普遍对 ANC、DA、EFF 和 ActionSA 这四个主要政党持负面态度，对现任执政党 ANC 表现出最严重的负面情感，与腐败、无能和负荷调节问题有关。

    May, 2022

  • 利用零样本学习算法在推特上检测用户态度

    该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

    Apr, 2022

  • 众包工作者与自然语言处理工具在政治推文的命名实体识别和情感分析方面的性能比较

    比较了众包工作者和七个自然语言处理工具在命名实体识别和实体级情感分析两个重要 NLP 任务中的准确性，并测试了几个商业和开源工具，实验结果表明，在我们的政治推文数据集中，最准确的 NER 系统谷歌云 NL 表现几乎与众包工作者一样，但最准确的 ELS 分析系统 TensiStrength 的准确性与众包工作者的准确性相差很大，超过 30 个百分点。

    Feb, 2020