論文の概要: SocialVec: Social Entity Embeddings

• arxiv url: http://arxiv.org/abs/2111.03514v1
• Date: Fri, 5 Nov 2021 14:13:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-08 15:14:14.709904
• Title: SocialVec: Social Entity Embeddings
• Title（参考訳）: SocialVec: ソーシャルエンティティの埋め込み
• Authors: Nir Lotan, Einat Minkov
• Abstract要約: 本稿では,ソーシャルワールドの知識をソーシャルネットワークから引き出すためのフレームワークであるSocialVecを紹介する。 Twitterネットワークのサンプルから、約20万の人気のアカウントのソーシャル埋め込みを学びました。 われわれはSocialVecの埋め込みを利用して、Twitterのニュースソースの政治的偏見を誇示している。
• 参考スコア（独自算出の注目度）: 1.4010916616909745
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces SocialVec, a general framework for eliciting social world knowledge from social networks, and applies this framework to Twitter. SocialVec learns low-dimensional embeddings of popular accounts, which represent entities of general interest, based on their co-occurrences patterns within the accounts followed by individual users, thus modeling entity similarity in socio-demographic terms. Similar to word embeddings, which facilitate tasks that involve text processing, we expect social entity embeddings to benefit tasks of social flavor. We have learned social embeddings for roughly 200,000 popular accounts from a sample of the Twitter network that includes more than 1.3 million users and the accounts that they follow, and evaluate the resulting embeddings on two different tasks. The first task involves the automatic inference of personal traits of users from their social media profiles. In another study, we exploit SocialVec embeddings for gauging the political bias of news sources in Twitter. In both cases, we prove SocialVec embeddings to be advantageous compared with existing entity embedding schemes. We will make the SocialVec entity embeddings publicly available to support further exploration of social world knowledge as reflected in Twitter.
• Abstract（参考訳）: 本稿では,ソーシャル世界の知識をソーシャルネットワークから引き出す汎用フレームワークであるsocialvecを紹介し,このフレームワークをtwitterに適用する。 SocialVecは、アカウント内の共起パターンとそれに続く個々のユーザに基づいて、一般的な関心の実体を表す人気アカウントの低次元埋め込みを学習し、ソシオデミノグラフィー用語でエンティティの類似性をモデル化する。 テキスト処理に関わるタスクを容易にする単語埋め込みと同様に、ソーシャルエンティティ埋め込みは、ソーシャルフレーバーのタスクに役立つことを期待している。 我々は、約20万の人気アカウントのソーシャル埋め込みを、13万人以上のユーザーとフォローしているアカウントを含むTwitterネットワークのサンプルから学び、2つの異なるタスクに対する結果の埋め込みを評価する。 最初のタスクは、ソーシャルメディアのプロフィールからユーザーの個人的特徴を自動的に推測することである。 別の研究では、Twitterのニュースソースの政治的偏見を増幅するためにSocialVecの埋め込みを利用する。 どちらの場合でも、既存のエンティティ埋め込みスキームと比較してsocialvec組み込みが有利であることを証明します。 Twitterに反映されたソーシャルワールド知識のさらなる探索を支援するために、SocialVecエンティティを公開します。

関連論文リスト

• From a Social Cognitive Perspective: Context-aware Visual Social Relationship Recognition [59.57095498284501]
  我々は,textbfContextual textbfSocial textbfRelationships (textbfConSoR) を社会的認知の観点から認識する新しいアプローチを提案する。 画像ごとの社会的関係を考慮した社会認識記述言語プロンプトを構築した。 印象的なことに、ConSoRは従来の手法を上回り、Person-in-Social-Context(PISC)データセットでは12.2%、Person-in-Photo-Album(PIPA)ベンチマークでは9.8%向上している。
  論文  参考訳（メタデータ） (2024-06-12T16:02:28Z)
• Graph Bottlenecked Social Recommendation [47.83350026188183]
  本稿では,社会騒音問題に対処するための新しいグラフ・ボトルネック・ソーシャル・レコメンデーション(GBSR)フレームワークを提案する。 GBSRはモデルに依存しないソーシャル・デノベーション・フレームワークであり、認知されたソーシャル・グラフとレコメンデーション・ラベルの相互情報の最大化を目的としている。
  論文  参考訳（メタデータ） (2024-06-12T13:44:22Z)
• Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
  ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。 既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。 本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T02:45:01Z)
• Social World Knowledge: Modeling and Applications [2.9417848476446364]
  社会世界の知識は、人間や機械による効果的なコミュニケーションと情報処理の重要な要素である。 ソーシャルネットワークで発生する社会的文脈から低次元の実体埋め込みを抽出するフレームワークであるSocialVecを紹介する。 テキストセマンティクスを含む作業を容易にする単語埋め込みと同様に、学習されたソーシャルエンティティ埋め込みは、複数のソーシャルフレーバーのタスクに利益をもたらすことを期待する。
  論文  参考訳（メタデータ） (2023-06-28T15:25:30Z)
• Trust and Believe -- Should We? Evaluating the Trustworthiness of Twitter Users [5.695742189917657]
  ソーシャルメディア上のフェイクニュースは、個人と社会の両方に悪影響を及ぼす大きな問題である。 この作業において、私たちは、ソーシャルネットワークコミュニティに信頼を喚起するソリューションを提供したいと考えている。 本モデルでは,Twitter上で5万人の政治家の行動を分析し,評価されたユーザ毎に影響スコアを割り当てる。
  論文  参考訳（メタデータ） (2022-10-27T06:57:19Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• SOK: Seeing and Believing: Evaluating the Trustworthiness of Twitter Users [4.609388510200741]
  現在、どのニュースやユーザーが信頼できるか、どれがそうでないかを自動で判断する方法はない。 本研究では、Twitter上で5万人の政治家の行動を分析するモデルを作成しました。 政治Twitterのユーザを、ランダムな森林、多層パーセプトロン、サポートベクターマシンを使って、信頼あるいは信頼できないと分類した。
  論文  参考訳（メタデータ） (2021-07-16T17:39:32Z)
• Hater-O-Genius Aggression Classification using Capsule Networks [6.318682674371969]
  攻撃的なつぶやきを自動的に識別し分類する,エンドツーエンドのアンサンブルに基づくアーキテクチャを提案する。 ツイートは、Covertly Aggressive、Overtly Aggressive、Non-Aggressiveの3つのカテゴリに分類される。 我々の最良のモデルはCapsule Networksのアンサンブルであり、Facebookのテストセットで65.2%のF1スコアを獲得し、TRAC-2018の勝者よりもパフォーマンスが0.95%向上した。
  論文  参考訳（メタデータ） (2021-05-24T11:53:58Z)
• Social Chemistry 101: Learning to Reason about Social and Moral Norms [73.23298385380636]
  我々は、人々の日常的な社会的規範と道徳的判断を研究するための新しい概念的形式主義である社会化学を提示する。 Social-Chem-101は大規模なコーパスで292Kのルールをカタログ化している。 モデルフレームワークであるNeural Norm Transformerは、Social-Chem-101を学習し、一般化し、これまで見つからなかった状況の推論に成功した。
  論文  参考訳（メタデータ） (2020-11-01T20:16:45Z)
• Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline [47.434392695347924]
  ACM RecSysが主催するRecSys 2020 Challengeは、このデータセットを使用してTwitterと提携している。 本稿では,ユーザエンゲージメントを予測しようとする研究者や専門家が直面する課題について述べる。
  論文  参考訳（メタデータ） (2020-04-28T23:54:33Z)
• TIES: Temporal Interaction Embeddings For Enhancing Social Media Integrity At Facebook [9.023847175654602]
  本稿では、ログな社会的相互作用を捉え、さらに適切な行動にフラグを立てるための新しい時間的相互作用埋め込みSモデルを提案する。 TIESは、Facebookスケールネットワークにおける教師付き、ディープラーニング、プロダクション準備ができているモデルである。 TIESの現実的な影響を示すために,誤報の拡散防止,偽アカウントの検出,広告支払いリスクの低減など,いくつかの応用を提示する。
  論文  参考訳（メタデータ） (2020-02-18T22:56:40Z)

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。