論文の概要: From Symbols to Embeddings: A Tale of Two Representations in Computational Social Science

• arxiv url: http://arxiv.org/abs/2106.14198v1
• Date: Sun, 27 Jun 2021 11:04:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 23:26:37.508178
• Title: From Symbols to Embeddings: A Tale of Two Representations in Computational Social Science
• Title（参考訳）: シンボルから埋め込みへ:計算社会科学における2つの表現の物語
• Authors: Huimin Chen, Cheng Yang, Xuanming Zhang, Zhiyuan Liu, Maosong Sun, Jianbin Jin
• Abstract要約: コンピュータ社会科学(CSS)の研究は、データ駆動型であり、オンラインのユーザ生成コンテンツやソーシャルネットワークの可用性から大きな恩恵を受けている。 回答を探るため、テキストとネットワークの両方でCSSのデータ表現を徹底的にレビューする。 以上の表現の応用は、CSSに関連する6つのトップ会場から400以上の研究論文を調査した結果に基づく。
• 参考スコア（独自算出の注目度）: 77.5409807529667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational Social Science (CSS), aiming at utilizing computational methods to address social science problems, is a recent emerging and fast-developing field. The study of CSS is data-driven and significantly benefits from the availability of online user-generated contents and social networks, which contain rich text and network data for investigation. However, these large-scale and multi-modal data also present researchers with a great challenge: how to represent data effectively to mine the meanings we want in CSS? To explore the answer, we give a thorough review of data representations in CSS for both text and network. Specifically, we summarize existing representations into two schemes, namely symbol-based and embedding-based representations, and introduce a series of typical methods for each scheme. Afterwards, we present the applications of the above representations based on the investigation of more than 400 research articles from 6 top venues involved with CSS. From the statistics of these applications, we unearth the strength of each kind of representations and discover the tendency that embedding-based representations are emerging and obtaining increasing attention over the last decade. Finally, we discuss several key challenges and open issues for future directions. This survey aims to provide a deeper understanding and more advisable applications of data representations for CSS researchers.
• Abstract（参考訳）: 社会科学問題に対処するための計算手法を活用することを目的とした計算社会科学(CSS)は,近年,急速に発展しつつある分野である。 CSSの研究は、データ駆動であり、調査用のリッチテキストとネットワークデータを含むオンラインユーザ生成コンテンツとソーシャルネットワークの可用性から大きな恩恵を受けている。 しかし、これらの大規模かつマルチモーダルなデータもまた、研究者に大きな課題を与えている。 その答えを探るために、テキストとネットワークの両方でcssのデータ表現を徹底的にレビューする。 具体的には、既存の表現をシンボルベースと埋め込みベースという2つのスキームにまとめ、各スキームに典型的な一連の方法を紹介する。 その後、CSSに関連する6つのトップ会場から400以上の研究論文を調査し、上記の表現の応用について述べる。 これらの応用の統計から,各種類の表現の強さを把握し,組込み型表現が出現し,過去10年間で注目を集めている傾向を明らかにする。 最後に,今後の課題と今後の課題について考察する。 この調査は、CSS研究者にデータ表現のより深く理解し、より推奨できる応用を提供することを目的としている。

関連論文リスト

• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Deep Learning for Cross-Domain Data Fusion in Urban Computing: Taxonomy, Advances, and Outlook [28.103555959143645]
  本稿では,都市コンピューティングに適した深層学習に基づくデータ融合手法の最近の進歩を体系的にレビューする最初の調査を提案する。 提案手法は,特徴ベース,アライメントベース,コントラストベース,生成ベース融合の4つのカテゴリに分類される。 さらに, 都市計画, 交通, 経済, 公共安全, 社会, 環境, エネルギーの7つのタイプに分類した。
  論文  参考訳（メタデータ） (2024-02-29T16:56:23Z)
• A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application [7.595948982978669]
  継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。 本稿では,連続的セマンティックセグメンテーション(CSS)について概説する。 現在のCSSモデルを、データ再生とデータフリーセットを含む2つのメインブランチに分類し、分類する。 また、多様なアプリケーションシナリオと開発傾向を持つ4つのCSS特長も導入しています。
  論文  参考訳（メタデータ） (2023-10-22T11:53:56Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Deep Depth Completion: A Survey [26.09557446012222]
  我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。 ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。 室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
  論文  参考訳（メタデータ） (2022-05-11T08:24:00Z)
• Network representation learning: A macro and micro view [9.221196170951702]
  本稿では,ネットワーク表現学習に関する最近の文献を包括的にレビューする。 既存のアルゴリズムは、浅い埋め込みモデル、異種ネットワーク埋め込みモデル、グラフニューラルネットワークベースモデルという3つのグループに分類される。 この調査の利点の1つは、アルゴリズムの異なるカテゴリの基礎となる理論的基礎を体系的に研究することである。
  論文  参考訳（メタデータ） (2021-11-21T08:58:51Z)
• A Survey on Hyperdimensional Computing aka Vector Symbolic Architectures, Part I: Models and Data Transformations [7.240104756698618]
  HDC/VSAは、コンピュータ科学、電気工学、人工知能、数学、認知科学とのつながりを持つ非常に学際的な分野である。 この2部構成の総合的な調査は、新参者および実践者の両方にとって有用であると書かれている。
  論文  参考訳（メタデータ） (2021-11-11T07:14:22Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。