論文の概要: Generator-Guided Crowd Reaction Assessment

• arxiv url: http://arxiv.org/abs/2403.09702v1
• Date: Fri, 8 Mar 2024 13:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:56:27.297178
• Title: Generator-Guided Crowd Reaction Assessment
• Title（参考訳）: 発電機誘導型群衆反応評価
• Authors: Sohom Ghosh, Chung-Chi Chen, Sudip Kumar Naskar,
• Abstract要約: 本稿では、あるソーシャルメディア投稿が他の投稿よりも多くの反応を受けるかどうかを推定するために設計された集団反応評価タスクを提案する。 我々は,ホワイトハウスのツイート対とリツイート数の比較尺度からなる集合反応推定データセット(CRED)を紹介する。 以上の結果から,Claude が生成したツイート内容と応答を含むクロスエンコーダアーキテクチャを用いて,微調整したFLANG-RoBERTa モデルが最適に動作することがわかった。
• 参考スコア（独自算出の注目度）: 4.1756520114950035
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the realm of social media, understanding and predicting post reach is a significant challenge. This paper presents a Crowd Reaction AssessMent (CReAM) task designed to estimate if a given social media post will receive more reaction than another, a particularly essential task for digital marketers and content writers. We introduce the Crowd Reaction Estimation Dataset (CRED), consisting of pairs of tweets from The White House with comparative measures of retweet count. The proposed Generator-Guided Estimation Approach (GGEA) leverages generative Large Language Models (LLMs), such as ChatGPT, FLAN-UL2, and Claude, to guide classification models for making better predictions. Our results reveal that a fine-tuned FLANG-RoBERTa model, utilizing a cross-encoder architecture with tweet content and responses generated by Claude, performs optimally. We further use a T5-based paraphraser to generate paraphrases of a given post and demonstrate GGEA's ability to predict which post will elicit the most reactions. We believe this novel application of LLMs provides a significant advancement in predicting social media post reach.
• Abstract（参考訳）: ソーシャルメディアの世界では、ポストリーチの理解と予測が大きな課題である。 本稿では、あるソーシャルメディア投稿が他のソーシャルメディア投稿よりも多くのリアクションを受けるかどうかを推定するために設計された群衆反応評価(CREAM)タスクについて述べる。 我々は,ホワイトハウスのツイート対とリツイート数の比較尺度からなる,群衆反応推定データセット(CRED)を紹介した。 提案手法では,ChatGPT,FLAN-UL2,Claudeなどの生成型大規模言語モデル(LLM)を利用して,より優れた予測を行うための分類モデルを導出する。 以上の結果から,Claude が生成したツイート内容と応答を含むクロスエンコーダアーキテクチャを用いて,微調整したFLANG-RoBERTa モデルが最適に動作することがわかった。 さらに、T5ベースのパラフレーズを用いて、与えられたポストのパラフレーズを生成し、GGEAがどのポストが最も反応を誘発するかを予測する能力を示す。 LLMのこの新しい応用は、ソーシャルメディアのポストリーチを予測する上で大きな進歩をもたらすと信じている。

関連論文リスト

• MetaKP: On-Demand Keyphrase Generation [52.48698290354449]
  オンデマンドのキーフレーズ生成は,特定のハイレベルな目標や意図に従うキーフレーズを必要とする新しいパラダイムである。 そこで我々は,4つのデータセット,7500のドキュメント,3760の目標からなる大規模ベンチマークであるMetaKPを紹介した。 ソーシャルメディアからの流行事象検出に応用して,一般のNLP基盤として機能する可能性を示す。
  論文  参考訳（メタデータ） (2024-06-28T19:02:59Z)
• Rumour Evaluation with Very Large Language Models [2.6861033447765217]
  本研究は,誤報に対処するために,プロンプトに依存しない大規模言語モデルの進歩を活用することを提案する。 我々は2つのRumourEvalサブタスクを拡張するために2つのプロンプトベースのLLM変種を用いる。 精度予測のために、GPT変種ごとに3つの分類スキームが実験され、各スキームはゼロ、ワンショット、および少数ショット設定で試験される。 スタンス分類では、プロンプトベースのアパッチは先行結果に匹敵する性能を示し、微調整法に比較して改善はない。
  論文  参考訳（メタデータ） (2024-04-11T19:38:22Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• 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)
• Concept-Guided Chain-of-Thought Prompting for Pairwise Comparison Scaling of Texts with Large Language Models [3.9940425551415597]
  既存のテキストスケーリング手法は、大きなコーパス、短いテキストとの競合、ラベル付きデータを必要とすることが多い。 生成する大規模言語モデルのパターン認識機能を活用したテキストスケーリング手法を開発した。 LLMと実体知識を組み合わせることで、抽象概念の最先端の尺度をいかに作成できるかを実証する。
  論文  参考訳（メタデータ） (2023-10-18T15:34:37Z)
• Context-Based Tweet Engagement Prediction [0.0]
  この論文は、ツイートのエンゲージメントの可能性を予測するために、コンテキスト単独がいかにうまく使われるかを調査する。 私たちはTU WienのLittle Big Data ClusterにSparkエンジンを使用して、スケーラブルなデータ前処理、機能エンジニアリング、機能選択、マシンラーニングパイプラインを作成しました。 また, 予測アルゴリズム, トレーニングデータセットサイズ, トレーニングデータセットサンプリング手法, 特徴選択などの因子が, 結果に有意な影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2023-09-28T08:36:57Z)
• DialogVED: A Pre-trained Latent Variable Encoder-Decoder Model for Dialog Response Generation [80.45816053153722]
  DialogVEDは、拡張エンコーダデコーダ事前トレーニングフレームワークに連続潜伏変数を導入し、応答の関連性と多様性を高める。 我々は,PersonaChat,DailyDialog,DSTC7-AVSDベンチマークを用いて応答生成実験を行った。
  論文  参考訳（メタデータ） (2022-04-27T16:18:15Z)
• Constructing interval variables via faceted Rasch measurement and multitask deep learning: a hate speech application [63.10266319378212]
  本稿では,教師付き深層学習と多面的ラッシュアイテム応答理論(IRT)構築手法を組み合わせることで,連続区間スペクトル上の複素変数を測定する手法を提案する。 われわれは、YouTube、Twitter、Redditから5万件のソーシャルメディアコメントを収集し、1万1000人の米国拠点のAmazon Mechanical Turkの労働者によってラベル付けされたデータセット上で、この新しい手法を実証した。
  論文  参考訳（メタデータ） (2020-09-22T02:15:05Z)
• Dialogue Response Ranking Training with Large-Scale Human Feedback Data [52.12342165926226]
  ソーシャルメディアのフィードバックデータを利用して、フィードバック予測のための大規模なトレーニングデータセットを構築します。 我々は,1300万対の人間のフィードバックデータに基づくGPT-2モデルであるDialogRPTを訓練した。 我々のランキングは、Redditのフィードバックを予測する上で、従来のダイアログの難易度ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-09-15T10:50:05Z)
• Explainable Depression Detection with Multi-Modalities Using a Hybrid Deep Learning Model on Social Media [21.619614611039257]
  階層型アテンションネットワークMDHANを用いた解釈型マルチモーダルデプレッション検出を提案する。 本モデルは,ソーシャルメディアに公開メッセージを投稿している利用者の抑うつを検知する際の予測性能の向上に寄与する。
  論文  参考訳（メタデータ） (2020-07-03T12:11:22Z)

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。