Fugu-MT 論文翻訳(概要): Do You Do Yoga? Understanding Twitter Users' Types and Motivations using Social and Textual Information

論文の概要: Do You Do Yoga? Understanding Twitter Users' Types and Motivations using Social and Textual Information

arxiv url: http://arxiv.org/abs/2012.09332v3
Date: Wed, 27 Jan 2021 15:50:42 GMT
ステータス: 処理完了
システム内更新日: 2021-05-02 07:41:23.785851
Title: Do You Do Yoga? Understanding Twitter Users' Types and Motivations using Social and Textual Information
Title（参考訳）: ヨガは好き? ソーシャルおよびテキスト情報を用いたTwitterユーザーのタイプとモチベーションの理解
Authors: Tunazzina Islam, Dan Goldwasser
Abstract要約: 本研究では,ニューラルネットワークと注意メカニズムの融合に基づく共同埋め込みモデルを提案する。 Twitterの「Yoga」にフォーカスしたウェルビーイング関連ツイートを使っています。
参考スコア（独自算出の注目度）: 29.89122455417348
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Leveraging social media data to understand people's lifestyle choices is an exciting domain to explore but requires a multiview formulation of the data. In this paper, we propose a joint embedding model based on the fusion of neural networks with attention mechanism by incorporating social and textual information of users to understand their activities and motivations. We use well-being related tweets from Twitter, focusing on 'Yoga'. We demonstrate our model on two downstream tasks: (i) finding user type such as either practitioner or promotional (promoting yoga studio/gym), other; (ii) finding user motivation i.e. health benefit, spirituality, love to tweet/retweet about yoga but do not practice yoga.
Abstract（参考訳）: ソーシャルメディアのデータを活用して人々のライフスタイルの選択を理解することは、探究するエキサイティングな領域ですが、データの多視点な定式化が必要です。本稿では,ユーザの社会的・テキスト的情報を取り込んで行動や動機を理解することで,ニューラルネットワークと注意機構の融合を基盤とした組込みモデルを提案する。 Twitterのツイートは「ヨガ」に重点を置いています。本モデルでは,2つの下流課題,すなわち,実践者やプロモーション(ヨガ・スタジオ/ジャムの促進),ユーザモチベーションの発見,すなわちユーザモチベーションの発見について実証する。健康上の利益スピリチュアリティヨガについてツイート/リツイートする愛ヨガの練習はしない

関連論文リスト

CharacterChat: Learning towards Conversational AI with Personalized Social Support [61.20396854093821]
本稿ではS2Conv(Social Support Conversation)フレームワークを紹介する。一連のサポートエージェントと、ペルソナ互換の仮想サポーターと個人をリンクする対人マッチングメカニズムから構成される。我々は、ペルソナと記憶によって駆動される会話モデルを含む総合的なS2Convシステムである characterChat を提案する。
論文参考訳（メタデータ） (2023-08-20T14:24:26Z)
Measuring Dimensions of Self-Presentation in Twitter Bios and their Links to Misinformation Sharing [17.165798960147036]
ソーシャルメディアプラットフォームは、ユーザに「バイオ」と呼ばれるプロファイル記述フィールドを提供し、世界に自らを提示することができる。社会的意味の健全な次元を捉えた空間に生物を埋め込むための、単純で効果的、理論的に動機づけられた一連のアプローチを提案し、評価する。我々の研究は、計算社会科学者が生体情報を利用するのを助ける新しいツールを提供し、Twitter上での誤情報共有がどのように認識されるかに関する新たな洞察を提供する。
論文参考訳（メタデータ） (2023-05-16T15:45:59Z)
Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-12-22T01:20:29Z)
Identifying and Characterizing Active Citizens who Refute Misinformation in Social Media [25.986531330843434]
ソーシャルメディアプラットフォーム(TwitterやWeiboなど)と言語(英語や中国語など)にまたがるタスクを初めて研究する。我々は2つのカテゴリのうちの1つにマップされたWeiboユーザーの新しいデータセット(誤情報ポスターやアクティブな市民など)を開発し、公開する。本稿では,2つのユーザカテゴリ間の言語使用の差異を広範囲に分析する。
論文参考訳（メタデータ） (2022-04-21T13:22:48Z)
Twitter User Representation using Weakly Supervised Graph Embedding [29.89122455417348]
ユーザタイプを理解するための弱い教師付きグラフ埋め込みベースのフレームワークを提案する。我々は,Twitterのツイートに対する弱い監督力を用いて学習したユーザ埋め込みを評価した。実世界のデータセットの実験では、提案されたフレームワークがユーザタイプを検出するベースラインを上回っていることが示されている。
論文参考訳（メタデータ） (2021-08-20T03:54:29Z)
Analysis of Twitter Users' Lifestyle Choices using Joint Embedding Model [29.89122455417348]
本論文では,ユーザのソーシャル情報とテキスト情報を組み込んで,コンテキスト化されたユーザ表現を学習する共同埋め込みモデルを提案する。本研究では,「ヨガ」と「ケトダイエット」という2つのライフスタイル活動に関連するつぶやきにモデルを適用し,ユーザの行動タイプとモチベーションを分析する。
論文参考訳（メタデータ） (2021-04-07T15:29:36Z)
Can You be More Social? Injecting Politeness and Positivity into Task-Oriented Conversational Agents [60.27066549589362]
人間エージェントが使用する社会言語は、ユーザーの応答性の向上とタスク完了に関連しています。このモデルは、ソーシャル言語理解要素で拡張されたシーケンスからシーケンスまでのディープラーニングアーキテクチャを使用する。人的判断と自動言語尺度の両方を用いたコンテンツ保存と社会言語レベルの評価は,エージェントがより社会的に適切な方法でユーザの問題に対処できる応答を生成できることを示している。
論文参考訳（メタデータ） (2020-12-29T08:22:48Z)
Does Yoga Make You Happy? Analyzing Twitter User Happiness using Textual and Temporal Information [29.89122455417348]
ヨガの練習と幸福感の因果関係について,テキスト情報と時間情報を組み合わせて検討した。 Twitterのデータセットで行った実験では、1447人のユーザーが「ヨガ・グランガーが幸福になる」という結果が出ました。
論文参考訳（メタデータ） (2020-12-05T03:30:49Z)
AssembleNet++: Assembling Modality Representations via Attention Connections [83.50084190050093]
i)セマンティックオブジェクト情報と生の外観と動きの特徴の相互作用を学習し、(ii)ネットワークの各畳み込みブロックにおける特徴の重要性をよりよく学習するために注意を配置する。ピアアテンションと呼ばれる新しいネットワークコンポーネントを導入し、別のブロックや入力モダリティを使って動的にアテンションウェイトを学習する。
論文参考訳（メタデータ） (2020-08-18T17:54:08Z)
I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文参考訳（メタデータ） (2020-02-05T11:10:44Z)

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。