Fugu-MT 論文翻訳(概要): Two-Stage Stance Labeling: User-Hashtag Heuristics with Graph Neural Networks

論文の概要: Two-Stage Stance Labeling: User-Hashtag Heuristics with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2404.10228v1
Date: Tue, 16 Apr 2024 02:18:30 GMT
ステータス: 処理完了
システム内更新日: 2024-04-17 18:22:10.631173
Title: Two-Stage Stance Labeling: User-Hashtag Heuristics with Graph Neural Networks
Title（参考訳）: 2段階のスタンスラベル:グラフニューラルネットワークを用いたユーザハッシュタグヒューリスティックス
Authors: Joshua Melton, Shannon Reid, Gabriel Terejanu, Siddharth Krishnan,
Abstract要約: ユーザ・ハッシュタグ二部グラフとユーザ・ユーザ・インタラクショングラフを利用する2段階のスタンスラベリング手法を開発した。第1段階では、スタンスラベルの簡易かつ効率的な方法は、ユーザとハッシュタグノードのスタンス関連を更新するために、ユーザハッシュタグ二部グラフを使用する。このソフトラベルのセットは、ユーザとユーザのインタラクショングラフに統合され、グラフニューラルネットワーク(GNN)モデルをトレーニングする。
参考スコア（独自算出の注目度）: 2.474908349649168
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The high volume and rapid evolution of content on social media present major challenges for studying the stance of social media users. In this work, we develop a two stage stance labeling method that utilizes the user-hashtag bipartite graph and the user-user interaction graph. In the first stage, a simple and efficient heuristic for stance labeling uses the user-hashtag bipartite graph to iteratively update the stance association of user and hashtag nodes via a label propagation mechanism. This set of soft labels is then integrated with the user-user interaction graph to train a graph neural network (GNN) model using semi-supervised learning. We evaluate this method on two large-scale datasets containing tweets related to climate change from June 2021 to June 2022 and gun control from January 2022 to January 2023. Experiments demonstrate that our user-hashtag heuristic and the semi-supervised GNN method outperform zero-shot stance labeling using LLMs such as GPT4. Further analysis illustrates how the stance labeling information and interaction graph can be used for evaluating the polarization of social media interactions on divisive issues such as climate change and gun control.
Abstract（参考訳）: ソーシャルメディア上でのコンテンツ量の増大と急速な進化は、ソーシャルメディア利用者のスタンスを研究する上で大きな課題となる。本研究では,ユーザ・ハッシュタグ二部グラフとユーザ・ユーザインタラクショングラフを用いた2段階のスタンスラベリング手法を提案する。第1段階では、ユーザのハッシュタグ二部グラフを用いて、ラベル伝搬機構を介して、ユーザとハッシュタグノードのスタンス関連を反復的に更新する。このソフトラベルのセットは、ユーザとユーザのインタラクショングラフに統合され、半教師付き学習を使用してグラフニューラルネットワーク(GNN)モデルをトレーニングする。本手法は,2021年6月から2022年6月までの気候変動に関連するツイートと,2022年1月から2023年1月までの銃規制を含む2つの大規模データセットに対して評価を行った。実験により,ユーザハッシュタグヒューリスティックと半教師付きGNN法は,GPT4などのLCMを用いたゼロショットスタンスラベルよりも優れていることが示された。さらなる分析は、気候変動や銃規制といった様々な問題に対するソーシャルメディアの相互作用の分極を評価するために、スタンスラベル情報と相互作用グラフをどのように利用できるかを示している。

関連論文リスト

One Node Per User: Node-Level Federated Learning for Graph Neural Networks [7.428431479479646]
ノードレベルのフェデレーショングラフ学習のための新しいフレームワークを提案する。特徴ベクトルの潜在表現に基づくグラフラプラシアン項を導入し,ユーザ側モデル更新を制御する。
論文参考訳（メタデータ） (2024-09-29T02:16:07Z)
LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
論文参考訳（メタデータ） (2024-02-13T12:02:37Z)
ConGraT: Self-Supervised Contrastive Pretraining for Joint Graph and Text Embeddings [20.25180279903009]
テキスト分散グラフ(TAG)におけるテキストとノードの分離表現を共同学習するためのContrastive Graph-Text Pretraining(ConGraT)を提案する。提案手法は言語モデル(LM)とグラフニューラルネットワーク(GNN)を訓練し,CLIPにインスパイアされたバッチワイドコントラスト学習目標を用いて,それらの表現を共通の潜在空間に整列させる。実験により、ConGraTは、ノードとテキストのカテゴリ分類、リンク予測、言語モデリングなど、さまざまな下流タスクのベースラインよりも優れていることが示された。
論文参考訳（メタデータ） (2023-05-23T17:53:30Z)
DoubleH: Twitter User Stance Detection via Bipartite Graph Neural Networks [9.350629400940493]
2020年の米国大統領選挙の大規模なデータセットをクロールし、手動でタグ付けされたハッシュタグによって、すべてのユーザーを自動的にラベル付けします。本稿では,二部グラフニューラルネットワークモデルであるDoubleHを提案する。
論文参考訳（メタデータ） (2023-01-20T19:20:10Z)
Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文参考訳（メタデータ） (2022-06-11T04:05:29Z)
Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文参考訳（メタデータ） (2022-05-24T16:22:40Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Tracing Topic Transitions with Temporal Graph Clusters [4.901193306593378]
Twitterは多くの自然言語処理(NLP)タスクのデータソースとして機能する。データストリームを継続的に更新するため、Twitter上のトピックを特定することは難しい。実世界のtwitterデータから2週間以内にサブトピックの進化を識別するための教師なしグラフベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-16T00:55:31Z)
Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-25T10:12:37Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。