論文の概要: Graph-based Joint Pandemic Concern and Relation Extraction on Twitter

• arxiv url: http://arxiv.org/abs/2106.09929v1
• Date: Fri, 18 Jun 2021 06:06:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 23:56:08.266881
• Title: Graph-based Joint Pandemic Concern and Relation Extraction on Twitter
• Title（参考訳）: グラフベース共同パンデミック懸念とtwitterの関係抽出
• Authors: Jingli Shi, Weihua Li, Sira Yongchareon, Yi Yang and Quan Bai
• Abstract要約: 公衆の懸念検出は、パンデミックの流行前またはその間、危機管理のための当局に潜在的ガイダンスを提供する。 ソーシャルメディアの膨大な情報から時間内の懸念を検出することは、大きな課題であることがわかりました。 本稿では,人々の関心事とそれに対応する関係を識別する新しいエンド・ツー・エンドのディープラーニングモデルを提案する。
• 参考スコア（独自算出の注目度）: 19.7176519744206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public concern detection provides potential guidance to the authorities for crisis management before or during a pandemic outbreak. Detecting people's concerns and attention from online social media platforms has been widely acknowledged as an effective approach to relieve public panic and prevent a social crisis. However, detecting concerns in time from massive information in social media turns out to be a big challenge, especially when sufficient manually labeled data is in the absence of public health emergencies, e.g., COVID-19. In this paper, we propose a novel end-to-end deep learning model to identify people's concerns and the corresponding relations based on Graph Convolutional Network and Bi-directional Long Short Term Memory integrated with Concern Graph. Except for the sequential features from BERT embeddings, the regional features of tweets can be extracted by the Concern Graph module, which not only benefits the concern detection but also enables our model to be high noise-tolerant. Thus, our model can address the issue of insufficient manually labeled data. We conduct extensive experiments to evaluate the proposed model by using both manually labeled tweets and automatically labeled tweets. The experimental results show that our model can outperform the state-of-art models on real-world datasets.
• Abstract（参考訳）: 公衆の関心事検出は、パンデミックの流行前後の危機管理に関する当局への潜在的ガイダンスを提供する。 オンラインソーシャルメディアプラットフォームから人々の懸念や注意を検知することは、パニックを緩和し、社会危機を防ぐ効果的なアプローチとして広く認識されている。 しかし、ソーシャルメディアで大量の情報から時間的関心事を検出することは、特に、手動でラベル付けされたデータが公衆衛生上の緊急事態(例えばCOVID-19)の欠如にある場合、大きな課題であることが判明した。 本稿では,グラフ畳み込みネットワークと2方向長短期記憶を統合した,人々の関心事とそれに対応する関係を識別する,新たなエンド・ツー・エンドのディープラーニングモデルを提案する。 BERT埋め込みの連続的な特徴を除いて、ツイートの局所的特徴は、関心グラフモジュールによって抽出することができる。 したがって,このモデルでは,手作業によるラベル付データ不足の問題に対処できる。 我々は,手動ラベル付きツイートと自動ラベル付きツイートの両方を用いて,提案モデルを評価するための広範囲な実験を行った。 実験の結果,本モデルは実世界のデータセットにおける最先端モデルよりも優れることがわかった。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Enhancing Fake News Detection in Social Media via Label Propagation on Cross-modal Tweet Graph [19.409935976725446]
  ソーシャルメディアにおける偽ニュースを検出する新しい方法を提案する。 我々の手法は、より密な相互作用をよりよく捉えるために、グラフの接続性を高める。 評価には、Twitter、PHEME、Weiboの3つの公開フェイクニュースデータセットを使用します。
  論文  参考訳（メタデータ） (2024-06-14T09:55:54Z)
• Graph Neural Networks for Antisocial Behavior Detection on Twitter [0.0]
  反社会的行動のソーシャルメディアの復活は、ステレオタイプ的信念や個人や社会グループに対する憎悪的なコメントに下向きのスパイラルをもたらした。 大量のグラフ構造化データに使用されるグラフニューラルネットワークの進歩は、ソーシャルメディアプラットフォームにおけるコミュニケーションのメディア化の将来への期待を高めている。 グラフ畳み込みデータに基づくアプローチを用いて、異種データ間の依存関係をよりよく把握した。
  論文  参考訳（メタデータ） (2023-12-28T00:25:12Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• #StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on Spatial-temporal Dynamic Graphs [23.67939019353524]
  新型コロナウイルスは、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらしている。 既存の研究は、伝統的な統計モデルと流行拡散理論の集約に依存している。 我々は,抽出した出来事と関係に基づいて,ソーシャルメディアがパンデミックの知識を広める新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-08T15:46:05Z)
• Combining exogenous and endogenous signals with a semi-supervised co-attention network for early detection of COVID-19 fake tweets [14.771202995527315]
  新型コロナウイルス(COVID-19)の間、誤報のあるツイートは早期に警告され、中立化され、被害を軽減する必要がある。 偽ニュースを早期に検出する既存の方法のほとんどは、大きなラベル付きツイートに十分な伝搬情報を持っていると仮定している。 我々は、ツイートに関連する内因性および内因性信号を活用する新しい早期検出モデルENDEMICを提案する。
  論文  参考訳（メタデータ） (2021-04-12T10:01:44Z)
• TIMME: Twitter Ideology-detection via Multi-task Multi-relational Embedding [26.074367752142198]
  我々は、人々のイデオロギーや政治的傾向を予測する問題を解決することを目的としている。 我々は、Twitterデータを用いてそれを推定し、分類問題として定式化する。
  論文  参考訳（メタデータ） (2020-06-02T00:00:39Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。