Fugu-MT 論文翻訳(概要): A BERT-based Deep Learning Approach for Reputation Analysis in Social Media

論文の概要: A BERT-based Deep Learning Approach for Reputation Analysis in Social Media

arxiv url: http://arxiv.org/abs/2211.01954v1
Date: Sun, 23 Oct 2022 02:04:03 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 15:06:50.164479
Title: A BERT-based Deep Learning Approach for Reputation Analysis in Social Media
Title（参考訳）: BERTに基づくソーシャルメディアにおける評価分析のための深層学習手法
Authors: Mohammad Wali Ur Rahman, Sicong Shao, Pratik Satam, Salim Hariri, Chris Padilla, Zoe Taylor and Carlos Nevarez
Abstract要約: 人気のある言語モデルBERT(Bidirectional Representations from Transformers)に基づく新しい評判分析手法を提案する。提案手法はRepLab 2013データセットを用いて極性評価タスクに基づいて評価された。従来に比べて精度が5.8%向上し,バランスの取れた精度が26.9%向上し,Fスコアが21.8%向上した。
参考スコア（独自算出の注目度）: 1.6624933615451845
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Social media has become an essential part of the modern lifestyle, with its usage being highly prevalent. This has resulted in unprecedented amounts of data generated from users in social media, such as users' attitudes, opinions, interests, purchases, and activities across various aspects of their lives. Therefore, in a world of social media, where its power has shifted to users, actions taken by companies and public figures are subject to constantly being under scrutiny by influential global audiences. As a result, reputation management in social media has become essential as companies and public figures need to maintain their reputation to preserve their reputation capital. However, domain experts still face the challenge of lacking appropriate solutions to automate reliable online reputation analysis. To tackle this challenge, we proposed a novel reputation analysis approach based on the popular language model BERT (Bidirectional Encoder Representations from Transformers). The proposed approach was evaluated on the reputational polarity task using RepLab 2013 dataset. Compared to previous works, we achieved 5.8% improvement in accuracy, 26.9% improvement in balanced accuracy, and 21.8% improvement in terms of F-score.
Abstract（参考訳）: ソーシャルメディアは現代のライフスタイルの重要な部分となり、その利用が広く普及している。これは、ソーシャルメディアのユーザーの態度、意見、興味、購入、生活のさまざまな側面にわたる活動といった、前例のない量のデータを生み出した。そのため、利用者に権限が移りつつあるソーシャルメディアの世界では、企業や著名人による行動は、影響力のあるグローバルなオーディエンスによって常に監視されている。その結果、企業や著名人が評価資本を維持するために評判を維持する必要があるため、ソーシャルメディアにおける評判管理が不可欠になっている。しかし、ドメインの専門家は信頼性の高いオンライン評判分析を自動化する適切なソリューションを欠いているという課題に直面している。この課題に対処するために、人気のある言語モデルBERT(Bidirectional Encoder Representations from Transformers)に基づく新しい評価分析手法を提案する。提案手法はRepLab 2013データセットを用いて評価された。従来に比べて精度が5.8%向上し,バランス精度が26.9%向上し,Fスコアが21.8%向上した。

関連論文リスト

MisinfoEval: Generative AI in the Era of "Alternative Facts" [50.069577397751175]
本稿では,大規模言語モデル(LLM)に基づく誤情報介入の生成と評価を行うフレームワークを提案する。本研究では,(1)誤情報介入の効果を測定するための模擬ソーシャルメディア環境の実験,(2)ユーザの人口動態や信念に合わせたパーソナライズされた説明を用いた第2の実験について述べる。以上の結果から,LSMによる介入はユーザの行動の修正に極めて有効であることが確認された。
論文参考訳（メタデータ） (2024-10-13T18:16:50Z)
Explainable assessment of financial experts' credibility by classifying social media forecasts and checking the predictions with actual market data [6.817247544942709]
本稿では,自然言語処理と機械学習を組み合わせた,ソーシャルメディアの財務担当者に対する信頼性評価ソリューションを提案する。コントリビュータの評判は、資産価値に基づいて予測を自動的に分類し、これらの予測を実際の市場データで検証することで評価される。このシステムは、関連する特徴のモデルに依存しない分析に基づいて、その決定に関する自然言語による説明を提供する。
論文参考訳（メタデータ） (2024-06-17T08:08:03Z)
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)
Countering Misinformation via Emotional Response Generation [15.383062216223971]
ソーシャルメディアプラットフォーム(SMP)における誤情報拡散は、公衆衛生、社会的結束、民主主義に重大な危険をもたらす。これまでの研究では、社会的訂正が誤情報を抑制する効果的な方法であることが示された。約1万のクレーム応答対からなる最初の大規模データセットであるVerMouthを提案する。
論文参考訳（メタデータ） (2023-11-17T15:37:18Z)
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)
Creating a Systematic ESG (Environmental Social Governance) Scoring System Using Social Network Analysis and Machine Learning for More Sustainable Company Practices [0.0]
本研究の目的は,社会的な感情を取り入れることで,より優れたガイダンスとより体系化されたスコアを提供するデータ駆動型ESG評価システムの構築である。 PythonのWebスクレイパーは、Wikipedia、Twitter、LinkedIn、Google NewsからS&P 500企業のデータを収集するために開発された。機械学習アルゴリズムは、予測能力をテストするために、S&P Global ESG Ratingsにトレーニングされ、校正された。
論文参考訳（メタデータ） (2023-09-07T20:03:45Z)
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)
Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。本稿では,データ駆動型多面信頼モデルを提案する。信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
論文参考訳（メタデータ） (2021-11-11T19:40:51Z)
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)
Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
論文参考訳（メタデータ） (2020-10-20T19:37:04Z)
An Iterative Approach for Identifying Complaint Based Tweets in Social Media Platforms [76.9570531352697]
本稿では,トランスポートドメインに関連する苦情に基づく投稿を識別する反復的手法を提案する。研究目的のための新しいデータセットのリリースとともに、包括的評価を行う。
論文参考訳（メタデータ） (2020-01-24T22:23:22Z)

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。