論文の概要: Integrating Semantic and Structural Information with Graph Convolutional
Network for Controversy Detection
- arxiv url: http://arxiv.org/abs/2005.07886v1
- Date: Sat, 16 May 2020 06:29:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 13:14:09.396671
- Title: Integrating Semantic and Structural Information with Graph Convolutional
Network for Controversy Detection
- Title（参考訳）: 論争検出のためのグラフ畳み込みネットワークと意味的・構造的情報の統合
- Authors: Lei Zhong, Juan Cao, Qiang Sheng, Junbo Guo, Ziang Wang
- Abstract要約: ポストレベル論争検出のためのトピック・ポストコムグラフ畳み込みネットワーク(TPC-GCN)を提案する。
我々は,このモデルをDistangled TPC-GCNに拡張し,トピック関連およびトピック非関連の特徴を解消する。
我々のモデルは意味情報と構造情報を有意な一般化性で統合することができる。
- 参考スコア（独自算出の注目度）: 15.578214777082104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying controversial posts on social media is a fundamental task for
mining public sentiment, assessing the influence of events, and alleviating the
polarized views. However, existing methods fail to 1) effectively incorporate
the semantic information from content-related posts; 2) preserve the structural
information for reply relationship modeling; 3) properly handle posts from
topics dissimilar to those in the training set. To overcome the first two
limitations, we propose Topic-Post-Comment Graph Convolutional Network
(TPC-GCN), which integrates the information from the graph structure and
content of topics, posts, and comments for post-level controversy detection. As
to the third limitation, we extend our model to Disentangled TPC-GCN
(DTPC-GCN), to disentangle topic-related and topic-unrelated features and then
fuse dynamically. Extensive experiments on two real-world datasets demonstrate
that our models outperform existing methods. Analysis of the results and cases
proves that our models can integrate both semantic and structural information
with significant generalizability.
- Abstract（参考訳）: ソーシャルメディア上で議論を呼んでいる投稿を識別することは、大衆の感情をマイニングし、出来事の影響を評価し、偏見を緩和するための基本的なタスクである。
しかし 既存の方法では
1) コンテンツ関連投稿からの意味情報を効果的に取り入れること。
2) 応答関係モデリングのための構造情報を保存すること。
3)トレーニングセットと異なるトピックからの投稿を適切に処理する。
最初の2つの制限を克服するために、トピック、投稿、コメントのグラフ構造やコンテンツからの情報を統合するTopic-Post-Comment Graph Convolutional Network (TPC-GCN)を提案する。
第3の制限については、Distangled TPC-GCN (DTPC-GCN) にモデルを拡張し、トピック関連およびトピック非関連の機能を切り離し、動的に融合する。
2つの実世界のデータセットに関する広範な実験は、我々のモデルが既存のメソッドよりも優れていることを示している。
結果と事例の分析は,本モデルが意味情報と構造情報を有意な一般化性で統合できることを証明している。
関連論文リスト
- Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳（メタデータ） (2024-01-28T08:56:49Z) - Exploiting Contextual Target Attributes for Target Sentiment
Classification [53.30511968323911]
TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。
我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
論文 参考訳（メタデータ） (2023-12-21T11:45:28Z) - Cross-Modal Reasoning with Event Correlation for Video Question
Answering [32.332251488360185]
本稿では, 副次的・蒸留的事象関連情報として高密度キャプションモダリティを導入し, その正解を推測する。
我々は、モーダル間関係を明示的にモデル化し、異なるモーダル間で関連情報を集約するために、モーダル間推論モジュールを用いる。
質問指向および事象関連エビデンスを多段階推論により収集する,質問誘導型自己適応型マルチモーダル融合モジュールを提案する。
論文 参考訳（メタデータ） (2023-12-20T02:30:39Z) - SSL Framework for Causal Inconsistency between Structures and
Representations [23.035761299444953]
深層学習と因果発見のクロスポリン化は、画像、ビデオ、テキストなどの統計的でないデータ形式における因果関係の解明を目指す、急成長する研究分野を触媒している。
我々は、不確定データに適した介入戦略を理論的に開発し、因果一貫性条件(CCC)を導出する。
CCCは様々な分野で重要な役割を果たす可能性がある。
論文 参考訳（メタデータ） (2023-10-28T08:29:49Z) - The Deep Latent Position Topic Model for Clustering and Representation
of Networks with Textual Edges [2.6334900941196087]
Deep-LPTMは、変分グラフ自動エンコーダアプローチに基づくモデルベースのクラスタリング戦略である。
Enron社のメールは分析され、その結果の視覚化が提示される。
論文 参考訳（メタデータ） (2023-04-14T07:01:57Z) - Uncovering Main Causalities for Long-tailed Information Extraction [14.39860866665021]
データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。
これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
論文 参考訳（メタデータ） (2021-09-11T08:08:24Z) - Understand me, if you refer to Aspect Knowledge: Knowledge-aware Gated
Recurrent Memory Network [54.735400754548635]
アスペクトレベルの感情分類(ASC)は、レビューで言及された特定の側面に対する微粒な感情極性を予測することを目的としている。
最近のASCの進歩にもかかわらず、マシンが重要な側面の感情を推測できるようにすることは依然として困難である。
本稿では,(1)アスペクト知識の欠如によるアスペクト表現がアスペクトの正確な意味と特性情報を表現するのに不十分であること,(2)先行研究は局所的な構文情報とグローバルな関係情報のみを捉えること,という2つの課題に対処する。
論文 参考訳（メタデータ） (2021-08-05T03:39:30Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2021-03-29T14:37:35Z) - Graph Information Bottleneck [77.21967740646784]
グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。
GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。
提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:13:00Z) - Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。
BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
論文 参考訳（メタデータ） (2020-04-14T02:32:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。