論文の概要: Topic-Guided Self-Introduction Generation for Social Media Users

• arxiv url: http://arxiv.org/abs/2305.15138v1
• Date: Wed, 24 May 2023 13:35:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 15:38:09.819398
• Title: Topic-Guided Self-Introduction Generation for Social Media Users
• Title（参考訳）: ソーシャルメディアユーザのためのトピック誘導自己紹介生成
• Authors: Chunpu Xu, Jing Li, Piji Li, Min Yang
• Abstract要約: 本稿では,ユーザの個人的関心を概説した短い文章として,ソーシャルメディアの自己導入の自己生成について考察する。 ここでは、ユーザのツイート履歴を利用して自己導入を生成する。 本稿では,新しいトピック誘導型エンコーダデコーダフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.41343865143143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Millions of users are active on social media. To allow users to better showcase themselves and network with others, we explore the auto-generation of social media self-introduction, a short sentence outlining a user's personal interests. While most prior work profiles users with tags (e.g., ages), we investigate sentence-level self-introductions to provide a more natural and engaging way for users to know each other. Here we exploit a user's tweeting history to generate their self-introduction. The task is non-trivial because the history content may be lengthy, noisy, and exhibit various personal interests. To address this challenge, we propose a novel unified topic-guided encoder-decoder (UTGED) framework; it models latent topics to reflect salient user interest, whose topic mixture then guides encoding a user's history and topic words control decoding their self-introduction. For experiments, we collect a large-scale Twitter dataset, and extensive results show the superiority of our UTGED to the advanced encoder-decoder models without topic modeling.
• Abstract（参考訳）: 何百万というユーザーがソーシャルメディアで活動している。 ユーザが自分自身やネットワークをよりよく見せるために,ユーザの興味を概説した短い文章であるソーシャルメディアの自己導入の自己生成を探索する。 従来の作業プロファイルはタグを持つユーザ(例えば年齢)に対して,文章レベルの自己紹介を調査して,ユーザがお互いを知るためのより自然で魅力的な方法を提供する。 ここでは、ユーザのツイート履歴を利用して自己導入を生成する。 このタスクは、履歴の内容が長く、騒がしく、様々な個人的な興味を示すため、非自明である。 そこで,本稿では,ユーザの興味を反映させるために,潜在トピックをモデル化し,そのトピック混合がユーザの履歴を符号化し,トピックワードが自己イントロダクションをデコードする,新たな統一トピックガイドエンコーダ・デコーダ(utged)フレームワークを提案する。 実験では、大規模なTwitterデータセットを収集し、広範な結果から、トピックモデリングなしで高度なエンコーダデコーダモデルに対するUTGEDの優位性を示している。

関連論文リスト

• NarrationDep: Narratives on Social Media For Automatic Depression Detection [24.11420537250414]
  我々は、抑うつに関連する物語を検出することに焦点を当てた、textttNarrationDepと呼ばれる新しいモデルを開発した。 textttNarrationDepは、個々のツイート表現とユーザのツイートのクラスタを共同でモデル化するディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-07-24T11:24:25Z)
• Personalized Topic Selection Model for Topic-Grounded Dialogue [24.74527189182273]
  現在のモデルは、ユーザに興味がなく、文脈的に無関係なトピックを予測する傾向があります。 我々はtextbfTopic-grounded textbfDialogue のための textbfPersonalized topic stextbfElection model を提案する。 提案手法は,多種多様な応答を生成でき,最先端のベースラインを達成できる。
  論文  参考訳（メタデータ） (2024-06-04T06:09:49Z)
• UltraFeedback: Boosting Language Models with Scaled AI Feedback [99.4633351133207]
  大規模で高品質で多様なAIフィードバックデータセットである textscUltraFeedback を提示する。 我々の研究は、強力なオープンソースのチャット言語モデルを構築する上で、スケールしたAIフィードバックデータの有効性を検証する。
  論文  参考訳（メタデータ） (2023-10-02T17:40:01Z)
• History-Aware Hierarchical Transformer for Multi-session Open-domain Dialogue System [59.78425104243993]
  マルチセッションオープンドメイン対話のための履歴認識階層変換器(HAHT)を提案する。 HAHTは歴史会話の長期記憶を維持し、歴史情報を利用して現在の会話状況を理解する。 大規模マルチセッション会話データセットの実験結果は,提案したHAHTモデルがベースラインモデルより一貫して優れていることを示唆している。
  論文  参考訳（メタデータ） (2023-02-02T06:54:33Z)
• Unsupervised Neural Stylistic Text Generation using Transfer learning and Adapters [66.17039929803933]
  応答生成のためのスタイル特化属性を学習するために,モデルパラメータの0.3%しか更新しない新しい転送学習フレームワークを提案する。 我々はPERSONALITY-CAPTIONSデータセットからスタイル固有の属性を学習する。
  論文  参考訳（メタデータ） (2022-10-07T00:09:22Z)
• Learning Stance Embeddings from Signed Social Graphs [7.202476284052426]
  ソーシャルネットワーク分析における重要な課題は、大量のトピックについて、グラフ内の人々の位置や姿勢を理解することである。 本研究では,サイン付きソーシャルグラフにおける各ユーザとトピックの埋め込みを共同で学習するStance Embeddings Modelを提案する。 SEMはコールドスタートトピックのスタンス検出を行うことができ、ユーザのエンゲージメントを観察していないトピックに対するスタンスを予測できる。
  論文  参考訳（メタデータ） (2022-01-27T17:22:49Z)
• One Chatbot Per Person: Creating Personalized Chatbots based on Implicit User Profiles [31.432585994256375]
  既存のパーソナライズされたアプローチは、いくつかのテキスト記述を明示的なユーザプロファイルとして組み込もうとした。 我々は、ユーザの履歴応答から一般ユーザプロファイルを構築するために、パーソナライズされた言語モデルを訓練する。 我々は、汎用語彙から単語を生成し、ユーザのパーソナライズされた語彙から1単語をコピーする2つのデコード戦略を融合するパーソナライズされたデコーダを設計する。
  論文  参考訳（メタデータ） (2021-08-20T20:33:12Z)
• Cue Me In: Content-Inducing Approaches to Interactive Story Generation [74.09575609958743]
  本研究では,対話型物語生成の課題に焦点をあてる。 本稿では、この追加情報を効果的に活用するための2つのコンテンツ誘導手法を提案する。 自動評価と人的評価の両方による実験結果から,これらの手法がよりトポロジ的な一貫性とパーソナライズされたストーリーを生み出すことが示された。
  論文  参考訳（メタデータ） (2020-10-20T00:36:15Z)
• Study of the usability of LinkedIn: a social media platform meant to connect employers and employees [91.3755431537592]
  本稿では,LinkedInのユーザビリティをユーザ評価と専門家評価の両方を用いて評価する。 LinkedInアプリケーションの全体的なユーザビリティは、SUS(System Usability Scale)を使用して測定されている。
  論文  参考訳（メタデータ） (2020-06-06T18:19:45Z)

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。