Fugu-MT 論文翻訳(概要): Neural Temporal Opinion Modelling for Opinion Prediction on Twitter

論文の概要: Neural Temporal Opinion Modelling for Opinion Prediction on Twitter

arxiv url: http://arxiv.org/abs/2005.13486v1
Date: Wed, 27 May 2020 16:49:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 09:23:42.713962
Title: Neural Temporal Opinion Modelling for Opinion Prediction on Twitter
Title（参考訳）: Twitterにおけるオピニオン予測のためのニューラル時間オピニオンモデル
Authors: Lixing Zhu and Yulan He and Deyu Zhou
Abstract要約: 本研究では,周辺環境における動的トピックシフトを捉えるために,トピック駆動型アテンション機構を設計する。実験の結果,提案モデルでは,ポスト時間と将来のツイートのスタンスラベルの両方を,競合するベースラインよりも正確に予測できることがわかった。
参考スコア（独自算出の注目度）: 42.87769996249732
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Opinion prediction on Twitter is challenging due to the transient nature of tweet content and neighbourhood context. In this paper, we model users' tweet posting behaviour as a temporal point process to jointly predict the posting time and the stance label of the next tweet given a user's historical tweet sequence and tweets posted by their neighbours. We design a topic-driven attention mechanism to capture the dynamic topic shifts in the neighbourhood context. Experimental results show that the proposed model predicts both the posting time and the stance labels of future tweets more accurately compared to a number of competitive baselines.
Abstract（参考訳）: twitterでの意見予測は、ツイートコンテンツの過渡的性質と近隣のコンテキストのために難しい。本稿では,ユーザのツイート投稿行動を時間的視点のプロセスとしてモデル化し,ユーザの過去のツイートシーケンスと近隣のツイートが与えられた次のツイートの投稿時間とスタンスラベルを共同で予測する。我々は,近隣環境における動的トピックシフトを捉えるために,トピック駆動型注意機構を設計する。実験の結果,提案モデルでは,ポスト時間と将来のツイートのスタンスラベルを,競合するベースラインよりも正確に予測できることがわかった。

関連論文リスト

Context-Based Tweet Engagement Prediction [0.0]
この論文は、ツイートのエンゲージメントの可能性を予測するために、コンテキスト単独がいかにうまく使われるかを調査する。私たちはTU WienのLittle Big Data ClusterにSparkエンジンを使用して、スケーラブルなデータ前処理、機能エンジニアリング、機能選択、マシンラーニングパイプラインを作成しました。また, 予測アルゴリズム, トレーニングデータセットサイズ, トレーニングデータセットサンプリング手法, 特徴選択などの因子が, 結果に有意な影響を及ぼすことがわかった。
論文参考訳（メタデータ） (2023-09-28T08:36:57Z)
Taureau: A Stock Market Movement Inference Framework Based on Twitter Sentiment Analysis [0.0]
我々はTwitterの感情分析を利用して株式市場の動きを予測するフレームワークTaureauを提案する。まずはTweepyとgetOldTweetsを使って、一連のトップ企業の世論を示す歴史的なツイートを入手する。得られた感情スコアの時間次元を月次株価変動データと相関する。
論文参考訳（メタデータ） (2023-03-30T19:12:08Z)
A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Prediction [100.9772316028191]
本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2022-05-01T05:12:22Z)
Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文参考訳（メタデータ） (2022-04-14T17:59:32Z)
Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文参考訳（メタデータ） (2021-12-08T14:12:24Z)
You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文参考訳（メタデータ） (2021-10-11T14:24:15Z)
Understanding Information Spreading Mechanisms During COVID-19 Pandemic by Analyzing the Impact of Tweet Text and User Features for Retweet Prediction [6.658785818853953]
新型コロナウイルスは世界の経済や、ほぼすべての人々の日常生活に影響を与えている。ソーシャルメディアプラットフォームは、情報を共有できる他のユーザーと情報を共有できる。 CNNとRNNをベースとした2つのモデルを提案し、これらのモデルの性能を公開のTweetsCOV19データセットで評価する。
論文参考訳（メタデータ） (2021-05-26T15:55:58Z)
How Will Your Tweet Be Received? Predicting the Sentiment Polarity of Tweet Replies [3.5263924621989196]
我々は新しいタスクを提案する:与えられたツイートに対する(第一次)応答の主観的な感情を予測する。私たちは、感情ラベルを手動でアノテートしたツイートと返信の大規模なデータセットであるRETWEETを作成します。自動ラベル付きデータを使用して、ニューラルネットワークの教師付きトレーニングを行い、元のツイートからの返信感情を予測する。
論文参考訳（メタデータ） (2021-04-21T13:08:45Z)
Choice-Aware User Engagement Modeling andOptimization on Social Media [0.9944647907864257]
エンゲージメント予測タスクをマルチラベル分類問題として定式化する。本論文では,ユーザエンゲージメント履歴を組み込んだニューラルネットワークアーキテクチャを提案し,その状況に応じて選択条件を予測する。提案するツイートがエンゲージメントの成果に与える影響について,適切なスイート最適化問題を解くことにより検討する。
論文参考訳（メタデータ） (2021-04-01T23:31:01Z)
Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。