論文の概要: Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts

• arxiv url: http://arxiv.org/abs/2307.02640v1
• Date: Wed, 5 Jul 2023 20:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 15:51:32.568591
• Title: Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts
• Title（参考訳）: プラスチック手術ソーシャルメディアポストの教師なし感性分析
• Authors: Alexandrea K. Ramnarine
• Abstract要約: ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
• 参考スコア（独自算出の注目度）: 91.3755431537592
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The massive collection of user posts across social media platforms is primarily untapped for artificial intelligence (AI) use cases based on the sheer volume and velocity of textual data. Natural language processing (NLP) is a subfield of AI that leverages bodies of documents, known as corpora, to train computers in human-like language understanding. Using a word ranking method, term frequency-inverse document frequency (TF-IDF), to create features across documents, it is possible to perform unsupervised analytics, machine learning (ML) that can group the documents without a human manually labeling the data. For large datasets with thousands of features, t-distributed stochastic neighbor embedding (t-SNE), k-means clustering and Latent Dirichlet allocation (LDA) are employed to learn top words and generate topics for a Reddit and Twitter combined corpus. Using extremely simple deep learning models, this study demonstrates that the applied results of unsupervised analysis allow a computer to predict either negative, positive, or neutral user sentiment towards plastic surgery based on a tweet or subreddit post with almost 90% accuracy. Furthermore, the model is capable of achieving higher accuracy on the unsupervised sentiment task than on a rudimentary supervised document classification task. Therefore, unsupervised learning may be considered a viable option in labeling social media documents for NLP tasks.
• Abstract（参考訳）: ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿の収集は、主にテキストデータの量と速度に基づいて人工知能(AI)のユースケースに使われていない。 自然言語処理(英: natural language processing、nlp)は、aiのサブフィールドであり、コーパスと呼ばれる文書を人間の言語理解でコンピュータを訓練する。 単語ランキング法、用語周波数逆文書頻度(TF-IDF)を用いて、文書にまたがる機能を作成することで、人間が手動でラベル付けすることなく文書をグループ化できる教師なしの分析、機械学習(ML)を実行することができる。 t-distributed stochastic neighbor embedded(t-sne)、k-means clustering(k-means clustering)、latent dirichlet allocation(lda)といった大規模なデータセットを使用して、トップワードを学習し、redditとtwitterの組み合わせコーパスでトピックを生成する。 極めて単純なディープラーニングモデルを用いて、教師なし分析の応用結果によって、90%近い精度でツイートやsubredditの投稿に基づいて、コンピュータがプラスチック手術に対する否定的、肯定的、中立的なユーザーの感情を予測できることが示されている。 さらに、このモデルは、非教師なし感傷タスクにおいて、従前の教師なし文書分類タスクよりも高い精度を達成することができる。 したがって、教師なし学習はNLPタスクのためのソーシャルメディア文書のラベル付けに有効な選択肢であると考えられる。

関連論文リスト

• Prompt-based Personality Profiling: Reinforcement Learning for Relevance Filtering [8.20929362102942]
  著者プロファイルは、共有するコンテンツを分析して個人の特徴を推測するタスクである。 本稿では,関係のないコンテンツと関係のないコンテンツとを区別することを目的とした著者プロファイリング手法を提案し,それに続いて,関連データのみを用いて実際のユーザプロファイリングを行う。 2つのTwitterコーパスにおける5つの人格特性予測手法の評価を行った。
  論文  参考訳（メタデータ） (2024-09-06T08:43:10Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Curating corpora with classifiers: A case study of clean energy sentiment online [0.0]
  ソーシャルメディア投稿の大規模なコーパスには、幅広い世論が含まれている。 世論調査は、数日や数週間で実施し、世論を下ろすのに費用がかかる。 本稿では,解析用文書の最適コーパスを迅速に選択する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T18:15:45Z)
• A Multi-Grained Self-Interpretable Symbolic-Neural Model For Single/Multi-Labeled Text Classification [29.075766631810595]
  本稿では,テキストのクラスラベルを選挙区木から明示的に予測するシンボリック・ニューラルモデルを提案する。 構造化言語モデルが自己教師型で選挙区木を予測することを学ぶと、訓練データとして、原文と文レベルのラベルしか必要としない。 実験により,下流タスクにおける予測精度が向上できることが実証された。
  論文  参考訳（メタデータ） (2023-03-06T03:25:43Z)
• Deep Sequence Models for Text Classification Tasks [0.007329200485567826]
  自然言語処理(NLP)は、人間の多様で複雑な言語を理解するために機械を装備している。 一般的なテキスト分類アプリケーションには、情報検索、ニューストピックのモデリング、テーマ抽出、感情分析、スパム検出が含まれる。 RNN、GRU、LSTMといったシーケンスモデルは、長距離依存性を持つタスクのブレークスルーである。 その結果、ほとんどのモデルでは80%と94%の範囲で性能が向上した。
  論文  参考訳（メタデータ） (2022-07-18T18:47:18Z)
• Revisiting Self-Training for Few-Shot Learning of Language Model [61.173976954360334]
  ラベル付きデータにはタスク関連情報が豊富に含まれており、言語モデルの素早い学習に有用であることが証明されている。 本研究では,言語モデルファインチューニングのための自己学習手法を再検討し,最先端のプロンプトベースの少ショット学習者,SFLMを提案する。
  論文  参考訳（メタデータ） (2021-10-04T08:51:36Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Sentiment analysis in tweets: an assessment study from classical to modern text representation models [59.107260266206445]
  Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。 非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。 本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-05-29T21:05:28Z)
• DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations [4.36561468436181]
  教師なしテキスト表現のためのDeCLUTR: Deep Contrastive Learningを提案する。 本手法は,ユニバーサル文エンコーダにおける教師なしと教師なしの事前学習のパフォーマンスギャップを埋めるものである。 私たちのコードと事前訓練されたモデルは公開されており、新しいドメインに簡単に適応したり、目に見えないテキストを埋め込むのに使えます。
  論文  参考訳（メタデータ） (2020-06-05T20:00:28Z)
• ORB: An Open Reading Benchmark for Comprehensive Evaluation of Machine Reading Comprehension [53.037401638264235]
  我々は,7種類の読解データセットの性能を報告する評価サーバORBを提案する。 評価サーバは、モデルのトレーニング方法に制限を課さないため、トレーニングパラダイムや表現学習の探索に適したテストベッドである。
  論文  参考訳（メタデータ） (2019-12-29T07:27:23Z)

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。