論文の概要: Seeking Sinhala Sentiment: Predicting Facebook Reactions of Sinhala Posts

• arxiv url: http://arxiv.org/abs/2112.00468v1
• Date: Wed, 1 Dec 2021 13:05:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 13:26:50.185910
• Title: Seeking Sinhala Sentiment: Predicting Facebook Reactions of Sinhala Posts
• Title（参考訳）: Sinhalaのセンセーション:SinhalaポストのFacebook反応を予測する
• Authors: Vihanga Jayawickrama, Gihan Weeraprameshwara, Nisansa de Silva, Yudhanjaya Wijeratne
• Abstract要約: 本稿は、スリランカの文脈を中心としたFacebookの10年分の投稿データから得られた何百万もの反応を利用して、感情検出に対するステークホルダーのアプローチをモデル化する。 3つの異なる感情分析モデルが構築され、反応のサブセットが限定され、全ての反応と、肯定的/負の星の評価値が導出される。 この分析により、シンハラ含有量に対する二項反応の分類は他のアプローチよりもはるかに正確であることが判明した。
• 参考スコア（独自算出の注目度）: 0.16385815610837165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Facebook network allows its users to record their reactions to text via a typology of emotions. This network, taken at scale, is therefore a prime data set of annotated sentiment data. This paper uses millions of such reactions, derived from a decade worth of Facebook post data centred around a Sri Lankan context, to model an eye of the beholder approach to sentiment detection for online Sinhala textual content. Three different sentiment analysis models are built, taking into account a limited subset of reactions, all reactions, and another that derives a positive/negative star rating value. The efficacy of these models in capturing the reactions of the observers are then computed and discussed. The analysis reveals that binary classification of reactions, for Sinhala content, is significantly more accurate than the other approaches. Furthermore, the inclusion of the like reaction hinders the capability of accurately predicting other reactions.
• Abstract（参考訳）: Facebookのネットワークでは、ユーザーは感情のタイプロジーを通じてテキストに反応を記録することができる。 したがって、このネットワークは大規模なもので、注釈付き感情データの一次データセットである。 本稿は、スリランカの文脈を中心としたFacebookの10年分の投稿データから、オンラインのSinhalaテキストコンテンツに対する感情検出に対するステークホルダーのアプローチをモデル化するために、何百万もの反応を利用する。 3つの異なる感情分析モデルが構築され、反応のサブセットが限定され、全ての反応と、正負の星の評価値が導出される。 観測者の反応を捉えたこれらのモデルの有効性を計算し、議論する。 分析の結果,シンハラ含量に対する反応の2成分分類は,他の手法よりもかなり正確であることが判明した。 さらに、類似反応を含むことは、他の反応を正確に予測する能力を妨げる。

関連論文リスト

• Echoes of Discord: Forecasting Hater Reactions to Counterspeech [10.658005418397748]
  本研究は, ハザードの観点から, 反音声の影響を解析する。 我々は2段階反応予測器と3段階分類モデルという2つの戦略を採用している。 実験結果から,3段階の分類モデルの方が2段階の反応予測よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-27T17:33:38Z)
• 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)
• Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
  我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。 提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。 これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
  論文  参考訳（メタデータ） (2023-05-25T21:01:00Z)
• Multiple Appropriate Facial Reaction Generation in Dyadic Interaction Settings: What, Why and How? [11.130984858239412]
  本稿では,本論文で初めて,多目的反応生成タスクを定義した。 次に、生成した反応の妥当性を評価するために、新しい客観的評価指標を提案する。 その後、複数の適切な顔反応を予測、生成、評価するための枠組みを紹介した。
  論文  参考訳（メタデータ） (2023-02-13T16:49:27Z)
• Affection: Learning Affective Explanations for Real-World Visual Data [50.28825017427716]
  我々は,85,007枚の公開画像に対して,感情反応と自由形式のテキスト説明を含む大規模データセットを研究コミュニティに導入し,共有する。 本研究は, 被写体集団に大きな支持を得て, 潜在的に有意な感情反応をとらえる上で, 重要な共通基盤があることを示唆する。 私たちの研究は、より豊かで、より人間中心で、感情に敏感な画像分析システムへの道を開くものです。
  論文  参考訳（メタデータ） (2022-10-04T22:44:17Z)
• Sentiment Analysis with Deep Learning Models: A Comparative Study on a Decade of Sinhala Language Facebook Data [0.41783829807634776]
  双方向LSTMモデルは、シンハラ感情分析のF1スコアが84.58%に達する。 我々は、Facebookの反応がテキストの感情を予測するのに適していると主張することは安全であると結論付けている。
  論文  参考訳（メタデータ） (2022-01-11T13:31:15Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Exemplars-guided Empathetic Response Generation Controlled by the Elements of Human Communication [88.52901763928045]
  そこで本稿では, インターロケータへの共感を伝達する, 造形モデルによる細かな構造的特性の解明に先立って, 模範的手法を提案する。 これらの手法は, 自動評価指標と人的評価指標の両方の観点から, 共感的応答品質の大幅な改善をもたらすことを実証的に示す。
  論文  参考訳（メタデータ） (2021-06-22T14:02:33Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

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。