論文の概要: Controversy Detection: a Text and Graph Neural Network Based Approach

• arxiv url: http://arxiv.org/abs/2112.11445v1
• Date: Fri, 3 Dec 2021 09:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-26 13:18:40.966523
• Title: Controversy Detection: a Text and Graph Neural Network Based Approach
• Title（参考訳）: 論争検出:テキストとグラフのニューラルネットワークによるアプローチ
• Authors: Samy Benslimane (ADVANSE, LIRMM), J\'erome Az\'e (ADVANSE, LIRMM), Sandra Bringay (UPVM, ADVANSE, LIRMM), Maximilien Servajean (LIRMM, ADVANSE, UPVM), Caroline Mollevi
• Abstract要約: 論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。 既存のアプローチのほとんどは、トピックのディスカッションやメッセージの内容のグラフ構造に依存しています。 本稿では,議論のグラフ構造とテキストの特徴に基づく論争検出手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controversial content refers to any content that attracts both positive and negative feedback. Its automatic identification, especially on social media, is a challenging task as it should be done on a large number of continuously evolving posts, covering a large variety of topics. Most of the existing approaches rely on the graph structure of a topic-discussion and/or the content of messages. This paper proposes a controversy detection approach based on both graph structure of a discussion and text features. Our proposed approach relies on Graph Neural Network (gnn) to encode the graph representation (including its texts) in an embedding vector before performing a graph classification task. The latter will classify the post as controversial or not. Two controversy detection strategies are proposed. The first one is based on a hierarchical graph representation learning. Graph user nodes are embedded hierarchically and iteratively to compute the whole graph embedding vector. The second one is based on the attention mechanism, which allows each user node to give more or less importance to its neighbors when computing node embeddings. We conduct experiments to evaluate our approach using different real-world datasets. Conducted experiments show the positive impact of combining textual features and structural information in terms of performance.
• Abstract（参考訳）: 論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。 その自動識別は、特にソーシャルメディア上では、多くのトピックをカバーする、継続的に進化する多くの投稿で実施されるべきであるため、難しい課題である。 既存のアプローチのほとんどは、トピック論やメッセージの内容のグラフ構造に依存しています。 本稿では,議論のグラフ構造とテキスト特徴の両方に基づく議論検出手法を提案する。 提案手法は,グラフ分類タスクを行う前に,グラフ表現(そのテキストを含む)を埋め込みベクトルにエンコードするためにgnn(graph neural network)に依存する。 後者は、このポストを議論の余地なく分類する。 2つの論争検出戦略が提案されている。 1つ目は階層的グラフ表現学習に基づくものである。 グラフユーザノードは階層的に反復的に埋め込み、グラフ埋め込みベクトル全体を計算します。 2つ目はアテンションメカニズムに基づいており、ノードの埋め込みを計算する際に、各ユーザノードが隣人に多かれ少なかれ重要になるようにする。 我々は,実世界の異なるデータセットを用いてアプローチを評価する実験を行う。 実験の結果、テキストの特徴と構造情報をパフォーマンスの観点から組み合わせた効果が示された。

関連論文リスト

• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• ConGraT: Self-Supervised Contrastive Pretraining for Joint Graph and Text Embeddings [20.25180279903009]
  テキスト分散グラフ(TAG)におけるテキストとノードの分離表現を共同学習するためのContrastive Graph-Text Pretraining(ConGraT)を提案する。 提案手法は言語モデル(LM)とグラフニューラルネットワーク(GNN)を訓練し,CLIPにインスパイアされたバッチワイドコントラスト学習目標を用いて,それらの表現を共通の潜在空間に整列させる。 実験により、ConGraTは、ノードとテキストのカテゴリ分類、リンク予測、言語モデリングなど、さまざまな下流タスクのベースライン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） (2023-05-23T17:53:30Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Graph Decipher: A transparent dual-attention graph neural network to understand the message-passing mechanism for the node classification [2.0047096160313456]
  本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。 本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-01-04T23:24:00Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)
• Tensor Graph Convolutional Networks for Text Classification [17.21683037822181]
  グラフベースのニューラルネットワークは、グローバル情報をキャプチャする機能など、いくつかの優れた特性を示している。 本稿では,テキスト分類問題に対するグラフベースニューラルネットワークについて検討する。
  論文  参考訳（メタデータ） (2020-01-12T14:28:33Z)

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。