論文の概要: Search, Structure, and Sentiment: A Comparative Analysis of Network
Opinion in Different Query Types on Twitter
- arxiv url: http://arxiv.org/abs/2212.12955v1
- Date: Sun, 25 Dec 2022 20:48:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 15:08:19.437030
- Title: Search, Structure, and Sentiment: A Comparative Analysis of Network
Opinion in Different Query Types on Twitter
- Title（参考訳）: 検索、構造、感情:twitterにおける異なる検索タイプにおけるネットワーク・オピニオンの比較分析
- Authors: Joshua Midha
- Abstract要約: 本稿では、有向ネットワークの構成として定義される構造と、会話の肯定的/否定的な意味の定量化値である感情の2つの変数の関係について述べる。
クロスクエリ分析により、構造と感情の関係は、いまだに逆比例するが、クエリタイプによって大きく異なることが分かる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the relationship between structure and sentiment is essential
in highlighting future operations with online social networks. More
specifically, within popular conversation on Twitter. This paper provides a
development on the relationship between the two variables: structure, defined
as the composition of a directed network, and sentiment, a quantified value of
the positive/negative connotations of a conversation. We highlight thread
sentiment to be inversely proportional to the strength and connectivity of a
network. The second portion of this paper highlights differences in query
types, specifically how the aforementioned behavior differs within four key
query types. This paper focuses on topical, event-based, geographic, and
individual queries as orientations which have differing behavior. Using
cross-query analysis, we see that the relationship between structure and
sentiment, though still inversely proportional, differs greatly across query
types. We find this relationship to be the most clear within the individual
queries and the least prevalent within the event-based queries. This paper
provides a sociological progression in our understanding of opinion and
networks, while providing a methodological advancement for future studies on
similar subjects.
- Abstract（参考訳）: 構造と感情の関係を理解することは、オンラインソーシャルネットワークでの今後の運用を強調する上で不可欠である。
より具体的には、Twitter上の人気のある会話の中で。
本稿では,この2つの変数の関係について,有向ネットワークの構成として定義される構造と,会話の肯定的/否定的意味の定量化値である感情との関係について述べる。
我々は,ネットワークの強度と接続性に反比例するスレッド感情に注目した。
本稿の後半では、クエリタイプの違い、特に前述の4つのキークエリタイプ内での振る舞いの違いについて取り上げる。
本稿では,異なる行動を持つ方向として,トピック,イベントベース,地理的,個別のクエリに注目した。
クロスクエリ分析を用いることで、構造と感情の関係は逆に比例するが、クエリタイプ間で大きく異なることが分かる。
この関係は、個々のクエリの中では最も明確であり、イベントベースのクエリでは最も多くありません。
本稿では,意見とネットワークの理解に関する社会学的進展と,類似課題に関する今後の研究の方法論的進展について述べる。
関連論文リスト
- Enhanced Coherence-Aware Network with Hierarchical Disentanglement for Aspect-Category Sentiment Analysis [12.024076910894417]
本稿では,ACSAタスクの階層的絡み合い(ECAN)を考慮したコヒーレンス対応ネットワークを提案する。
我々は,コヒーレンス表現に絡み合った複数のカテゴリと感情を効果的に分離し,SOTA(State-of-the-art)のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-03-15T11:32:44Z) - Divide & Conquer for Entailment-aware Multi-hop Evidence Retrieval [25.379528163789082]
そこで本研究では,テキスト・エンテリメント・リレーション・リレーションシップが,考慮すべき重要な関連性次元であることを示す。
そこで本研究では,各サブタスクに個別に対処し,多様な関連信号を考慮した文を並べ替える2つのアンサンブルモデル EAR と EARnest を提案する。
論文 参考訳（メタデータ） (2023-11-05T10:31:40Z) - How Do Transformers Learn Topic Structure: Towards a Mechanistic
Understanding [56.222097640468306]
我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する
数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
論文 参考訳（メタデータ） (2023-03-07T21:42:17Z) - TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。
まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。
次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
論文 参考訳（メタデータ） (2022-06-15T02:33:10Z) - WikiAsp: A Dataset for Multi-domain Aspect-based Summarization [69.13865812754058]
マルチドメインアスペクトベースの要約のための大規模データセットであるWikiAspを提案する。
具体的には、アスペクトアノテーションのプロキシとして、各記事のセクションタイトルとバウンダリを使用して、20の異なるドメインからウィキペディア記事を使用してデータセットを構築します。
その結果,既存の要約モデルがこの設定で直面する重要な課題,例えば引用されたソースの適切な代名詞処理,時間に敏感なイベントの一貫した説明などが浮き彫りになった。
論文 参考訳（メタデータ） (2020-11-16T10:02:52Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - BiERU: Bidirectional Emotional Recurrent Unit for Conversational
Sentiment Analysis [18.1320976106637]
会話感情分析と単文感情分析の主な違いは、文脈情報の存在である。
既存のアプローチでは、会話内の異なるパーティを区別し、コンテキスト情報をモデル化するために複雑なディープラーニング構造を採用している。
本稿では,会話感情分析のための双方向感情的反復単位という,高速でコンパクトでパラメータ効率のよい非依存フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-31T11:13:13Z) - A computational model implementing subjectivity with the 'Room Theory'.
The case of detecting Emotion from Text [68.8204255655161]
本研究は,テキスト分析における主観性と一般的文脈依存性を考慮した新しい手法を提案する。
単語間の類似度を用いて、ベンチマーク中の要素の相対的関連性を抽出することができる。
この方法は、主観的評価がテキストの相対値や意味を理解するために関係しているすべてのケースに適用できる。
論文 参考訳（メタデータ） (2020-05-12T21:26:04Z) - Relational Graph Attention Network for Aspect-based Sentiment Analysis [35.342467338880546]
アスペクトベースの感情分析は、オンラインレビューにおける特定の側面に対する感情の極性を決定することを目的としている。
感情予測のための新しい木構造を符号化するリレーショナルグラフアテンションネットワーク(R-GAT)を提案する。
SemEval 2014とTwitterのデータセットで実験が行われている。
論文 参考訳（メタデータ） (2020-04-26T12:21:04Z) - Hierarchical Human Parsing with Typed Part-Relation Reasoning [179.64978033077222]
このタスクでは、人体構造をモデル化する方法が中心的なテーマである。
深層グラフネットワークの表現能力と階層的人間構造を同時に活用することを模索する。
論文 参考訳（メタデータ） (2020-03-10T16:45:41Z)
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。