Jun, 2024

通过对社交媒体预测进行分类并通过实际市场数据检查预测，对金融专家的可信度进行可解释的评估

PDF
TL;DR社交媒体中，通过自然语言处理和机器学习相结合的方式来评估金融创作者的可信度，并提供准确的市场数据验证和连续的可信度评分，同时利用社交媒体指标和相关性分析来提供决策的自然语言解释。
social mediacredibility assessmentfinancial creatorsnatural language processingmachine learning
发现论文，激发创造
  • TweetCred: Twitter 上内容的实时可信度评估

    本研究开发并评估了一个使用机器学习的排名模型来评估 Twitter 上的信息可信度的实时系统 TweetCred，并评估了其响应时间、有效性和可用性。

    May, 2014

  • 基于表示学习的社交媒体信息可信度评估

    本研究提出了一种新的信息可信度评估方法 (ICE)，采用表示学习建模社交媒体上用户的可信度、行为类型、时间属性和评论态度，以及机器学习方法区分谣言和非谣言，并在 Sina 微博数据集上取得了比现有方法更好的实验效果。

    Sep, 2016

  • 实时揭露与解释虚假新闻

    该研究提出了一种可解释和在线的分类方法，结合无监督和有监督的机器学习方法，使用自然语言处理技术基于创建者、内容和上下文的特征，识别和解释社交媒体中的虚假新闻，并通过数据流处理提供实时的早期检测、隔离和解释，从而提高社交媒体内容的质量和可信度。

    May, 2024

  • 面向解释性虚假信息检测的联动可信度审查

    本文提出了一种基于可信度评估的体系架构，用于建立分布式机器人网络协同实现误传信息检测，并且通过使用 Schema.org 扩展和 NLP 技术实现语义相似性和态度检测，有效地提高了可伸缩性、领域独立性、可组合性、可解释性和透明度，同时还在 Clef'18 CheckThat! Factuality 任务上取得了新的明显的效果。

    Aug, 2020

  • 加密货币市场预测的社交媒体情感分析

    本研究探讨了不同的自然语言处理模型在社交媒体情感分析中的可用性，应用于金融市场预测，以加密货币领域为参考。我们研究了不同情感度量与比特币价格波动之间的相关性。通过实验我们发现有一个模型优于其他 20 多个公开模型，且通过 fine-tune 可以得到更好的性能，其解释性更强。因此我们证实可解释的人工智能和自然语言处理方法可能比不可解释的方法更有实际价值。最后，我们分析了不同情感度量与价格波动之间的潜在因果关系。

    Apr, 2022

  • 自动可信度评估 COVID-19 新闻内容的用户体验设计

    该研究通过提出的两项实证研究，评估了图形界面的可用性，并确定了评分标准、子标准和算法作者的重要性。最终，该研究提出了未来研究的建议，如主动记录与可信度相关的元数据，建立自动可信度评估的用户体验预测因素的明确的分层分类。

    Apr, 2022

  • 使用社交媒体预测未来

    本文阐述了如何使用社交媒体内容来预测真实世界的结果，具体来说，作者使用 Twitter 上的内容预测了电影的票房收入，并演示了如何使用从 Twitter 中提取的情感来进一步提高社交媒体的预测能力。

    Mar, 2010

  • 从社交媒体预测短篇叙述的质量

    本研究提出了使用社交媒体点赞数作为故事质量评估的一种方法，并利用神经网络来预测没有社交网络特征的点赞数，为未来的研究提供了强有力的基准。这也是关于叙述质量自动评估的首个大规模研究。

    Jul, 2017

  • 一项用于估计发表作品置信度的合成预测市场

    本研究开发了一种合成预测市场来评估社会与行为科学文献中已发表声明的可信度，并使用一系列已知的复制项目来展示该系统，并建议此项工作为使用人工智能进行同行评审奠定了基础。

    Dec, 2021

  • 基于 BERT 的社交媒体声誉分析深度学习方法

    在社交媒体的世界中，维护声誉资本至关重要，但是在自动化可靠的在线声誉分析方面仍面临挑战。因此我们提出了一种基于 BERT 的声誉分析方法，并在 RepLab 2013 数据集上进行了评估。相比之前的工作，我们的准确度提高了 5.8％，平衡准确度提高了 26.9％，F 分数提高了 21.8％。

    Oct, 2022