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

• BookWorm: A Dataset for Character Description and Analysis [59.186325346763184]
  本稿では,短い事実プロファイルを生成する文字記述と,詳細な解釈を提供する文字解析という2つのタスクを定義する。 本稿では,Gutenbergプロジェクトからの書籍と,人間による記述と分析のペアリングを行うBookWormデータセットを紹介する。 その結果,検索に基づくアプローチは両タスクにおいて階層的アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-14T10:55:58Z)
• NarrationDep: Narratives on Social Media For Automatic Depression Detection [24.11420537250414]
  我々は、抑うつに関連する物語を検出することに焦点を当てた、textttNarrationDepと呼ばれる新しいモデルを開発した。 textttNarrationDepは、個々のツイート表現とユーザのツイートのクラスタを共同でモデル化するディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-07-24T11:24:25Z)
• SoMeR: Multi-View User Representation Learning for Social Media [1.7949335303516192]
  本稿では,ソーシャルメディアのユーザ表現学習フレームワークであるSoMeRを提案する。 SoMeRは、ユーザ投稿ストリームをタイムスタンプ付きテキスト機能のシーケンスとしてエンコードし、トランスフォーマーを使用してプロファイルデータと共にそれを埋め込み、リンク予測とコントラスト学習の目標を共同でトレーニングする。 1)類似コンテンツを同時に投稿するユーザを検出することによって、協調的な影響操作に関わる不正確なアカウントを同定し、2)異なる信念を持つユーザがより遠くへ移動する様子を定量化して、主要なイベント後のオンライン議論における偏光の増大を測定する。
  論文  参考訳（メタデータ） (2024-05-02T22:26:55Z)
• 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)
• 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)

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。