論文の概要: Analysis of Twitter Users' Lifestyle Choices using Joint Embedding Model
- arxiv url: http://arxiv.org/abs/2104.03189v1
- Date: Wed, 7 Apr 2021 15:29:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 13:04:12.880890
- Title: Analysis of Twitter Users' Lifestyle Choices using Joint Embedding Model
- Title(参考訳): ジョイント埋め込みモデルを用いたtwitterユーザのライフスタイル選択の分析
- Authors: Tunazzina Islam, Dan Goldwasser
- Abstract要約: 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。
- 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: Multiview representation learning of data can help construct coherent and
contextualized users' representations on social media. This paper suggests a
joint embedding model, incorporating users' social and textual information to
learn contextualized user representations used for understanding their
lifestyle choices. We apply our model to tweets related to two lifestyle
activities, `Yoga' and `Keto diet' and use it to analyze users' activity type
and motivation. We explain the data collection and annotation process in detail
and provide an in-depth analysis of users from different classes based on their
Twitter content. Our experiments show that our model results in performance
improvements in both domains.
- Abstract(参考訳): データのマルチビュー表現学習は、ソーシャルメディア上でコヒーレントでコンテキスト化されたユーザの表現を構築するのに役立つ。
本稿では,生活習慣の理解に使用するコンテキスト化されたユーザ表現を学習するために,ユーザのソーシャル情報とテキスト情報を組み合わせた組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。
本稿では,データ収集とアノテーションのプロセスの詳細を説明し,twitterのコンテンツに基づいて,異なるクラスのユーザの詳細な分析を行う。
実験の結果,両領域における性能改善効果が示された。
関連論文リスト
- Unsupervised Neural Stylistic Text Generation using Transfer learning
and Adapters [66.17039929803933]
応答生成のためのスタイル特化属性を学習するために,モデルパラメータの0.3%しか更新しない新しい転送学習フレームワークを提案する。
我々はPERSONALITY-CAPTIONSデータセットからスタイル固有の属性を学習する。
論文 参考訳(メタデータ) (2022-10-07T00:09:22Z) - Fashionformer: A simple, Effective and Unified Baseline for Human
Fashion Segmentation and Recognition [80.74495836502919]
本研究では,共同ファッションセグメンテーションと属性認識に着目した。
本稿では,セグメンテーションのためのオブジェクトクエリと属性予測のための属性クエリを紹介する。
属性ストリームのために,よりきめ細かい特徴を探索する新しいマルチレイヤレンダリングモジュールを設計する。
論文 参考訳(メタデータ) (2022-04-10T11:11:10Z) - Like Article, Like Audience: Enforcing Multimodal Correlations for
Disinformation Detection [20.394457328537975]
ユーザ生成コンテンツとユーザ共有コンテンツの相関を利用して、オンラインニュース記事の偽情報を検出する。
偽情報検出のためのマルチモーダル学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-08-31T14:50:16Z) - 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) - Sentiment analysis in tweets: an assessment study from classical to
modern text representation models [59.107260266206445]
Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。
非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。
本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
論文 参考訳(メタデータ) (2021-05-29T21:05:28Z) - User Factor Adaptation for User Embedding via Multitask Learning [45.56193775870044]
ユーザ関心をドメインとして扱い、ユーザ言語がどのように異なるかを経験的に検証する。
マルチタスク学習フレームワークを用いて,ユーザの関心の言語変動を考慮したユーザ埋め込みモデルを提案する。
モデルは人間の監督なしにユーザ言語とそのバリエーションを学習する。
論文 参考訳(メタデータ) (2021-02-22T15:21:01Z) - Post or Tweet: Lessons from a Study of Facebook and Twitter Usage [9.888864336862385]
このワークショップでは、FacebookとTwitterという、おそらく最も人気のある2つのソーシャルネットワークサイトについて、現在進行中の混合調査についてレポートする。
この研究の目的は、参加者のモチベーションに関する調査データとAPI抽出を通じて収集された利用データを組み合わせることで、ソーシャルメディアの選択とクロスプラットフォーム利用のニュアンスに光を当てることである。
論文 参考訳(メタデータ) (2020-11-27T15:55:02Z) - Neuro-Symbolic Representations for Video Captioning: A Case for
Leveraging Inductive Biases for Vision and Language [148.0843278195794]
ビデオキャプションのためのマルチモーダルなニューラルシンボリック表現を学習するための新しいモデルアーキテクチャを提案する。
本手法では,ビデオ間の関係を学習する辞書学習手法と,そのペアによるテキスト記述を用いる。
論文 参考訳(メタデータ) (2020-11-18T20:21:19Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳(メタデータ) (2020-07-03T15:37:25Z) - "To Target or Not to Target": Identification and Analysis of Abusive
Text Using Ensemble of Classifiers [18.053219155702465]
ソーシャルメディアプラットフォーム上での虐待的・憎悪的コンテンツを識別・分析するためのアンサンブル学習手法を提案する。
私たちの積み重ねられたアンサンブルは、3つの機械学習モデルで構成されており、言語のさまざまな側面をキャプチャし、不適切な言語に関する多様な一貫性のある洞察を提供する。
論文 参考訳(メタデータ) (2020-06-05T06:59:22Z)
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。