Fugu-MT 論文翻訳(概要): Analyzing Pokémon and Mario Streamers' Twitch Chat with LLM-based User Embeddings

論文の概要: Analyzing Pokémon and Mario Streamers' Twitch Chat with LLM-based User Embeddings

arxiv url: http://arxiv.org/abs/2411.10934v1
Date: Sun, 17 Nov 2024 02:08:03 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-19 14:33:58.705549
Title: Analyzing Pokémon and Mario Streamers' Twitch Chat with LLM-based User Embeddings
Title（参考訳）: LLMベースのユーザ埋め込みによるポケモンとマリオストリーマーのTwitchチャットの分析
Authors: Mika Hämäläinen, Jack Rueter, Khalid Alnajjar,
Abstract要約: Twitchの各ストリーマー(SmallAnt、DougDoug、PointCrow)によって、ひとつのストリームのチャットを分析します。以上の結果から,各ストリーマーにはそれぞれ独自のタイプのおしゃべり機能があることが示唆された。ただし,支持的な視聴者と絵文字,反応送信者という,すべてのストリーマーに2つのカテゴリが出現する。
参考スコア（独自算出の注目度）: 1.788784870849724
License:
Abstract: We present a novel digital humanities method for representing our Twitch chatters as user embeddings created by a large language model (LLM). We cluster these embeddings automatically using affinity propagation and further narrow this clustering down through manual analysis. We analyze the chat of one stream by each Twitch streamer: SmallAnt, DougDoug and PointCrow. Our findings suggest that each streamer has their own type of chatters, however two categories emerge for all of the streamers: supportive viewers and emoji and reaction senders. Repetitive message spammers is a shared chatter category for two of the streamers.
Abstract（参考訳）: 本稿では,大言語モデル(LLM)によるユーザ埋め込みとして,Twitchのチャットを表現するための新しい人文表現手法を提案する。親和性伝播を利用してこれらの埋め込みを自動的にクラスタリングし、さらに手動で解析することでクラスタリングを絞り込みます。 Twitchの各ストリーマー(SmallAnt、DougDoug、PointCrow)によって、ひとつのストリームのチャットを分析します。以上の結果から,各ストリーマーにはそれぞれ独自のタイプのおしゃべり機能があることが示唆された。ただし,支持的な視聴者と絵文字,反応送信者という,すべてのストリーマーに2つのカテゴリが出現する。繰り返しメッセージスパマーは、2つのストリーマーの共有チャットターカテゴリである。

関連論文リスト

Progressive Pruning: Estimating Anonymity of Stream-Based Communication [1.8434042562191815]
本稿では,ストリームの匿名度を推定する手法であるProgressive Pruningを紹介する。交差点攻撃を模倣することにより、トラフィック分析攻撃に対するストリームの感受性をキャプチャする。本稿では,TorFSシミュレータを用いたTorの大規模シミュレーションに加えて,ストリーム通信の調整例のシミュレーションにも適用する。
論文参考訳（メタデータ） (2024-10-11T10:40:51Z)
WildChat: 1M ChatGPT Interaction Logs in the Wild [88.05964311416717]
WildChatは100万件のユーザー・チャットGPT会話のコーパスで、250万回以上のインタラクション・ターンで構成されている。タイムスタンプによるチャットの書き起こしに加えて、州、国、ハッシュIPアドレスを含む人口統計データでデータセットを豊かにします。
論文参考訳（メタデータ） (2024-05-02T17:00:02Z)
CoVoMix: Advancing Zero-Shot Speech Generation for Human-like Multi-talker Conversations [97.75037148056367]
CoVoMixは、ゼロショット、人間ライク、マルチスピーカー、マルチラウンド対話音声生成のための新しいモデルである。対話モデリングと生成の有効性を測定するための総合的なメトリクスセットを考案する。
論文参考訳（メタデータ） (2024-04-10T02:32:58Z)
ChatAnything: Facetime Chat with LLM-Enhanced Personas [87.76804680223003]
多様な音声・外観生成のための音声(MoV)とディフューザ(MoD)の混合を提案する。 MoVでは,テキスト音声合成(TTS)アルゴリズムを様々な事前定義された音色で活用する。近年普及しているテキスト・画像生成技術とトーキングヘッドアルゴリズムを組み合わせることで,音声オブジェクトの生成プロセスの合理化を図る。
論文参考訳（メタデータ） (2023-11-12T08:29:41Z)
Analyzing Norm Violations in Live-Stream Chat [49.120561596550395]
本研究は,ライブストリーミングプラットフォーム上での会話における規範違反を検出することを目的とした,最初のNLP研究である。ライブストリームチャットにおける標準違反カテゴリを定義し、Twitchから4,583のコメントを注釈付けします。以上の結果から,適切なコンテキスト情報がモデレーション性能を35%向上させる可能性が示唆された。
論文参考訳（メタデータ） (2023-05-18T05:58:27Z)
Uncovering the Dark Side of Telegram: Fakes, Clones, Scams, and Conspiracy Movements [67.39353554498636]
我々は35,382の異なるチャンネルと130,000,000以上のメッセージを収集して,Telegramの大規模解析を行う。カードなどのダークウェブのプライバシー保護サービスにも、悪名高い活動がいくつかある。疑似チャネルを86%の精度で識別できる機械学習モデルを提案する。
論文参考訳（メタデータ） (2021-11-26T14:53:31Z)
A study on Channel Popularity in Twitch [0.0]
Twitchにおけるストリーマーの人気の予測についてはほとんど研究されていない。ストリームデータは、4週間の間にTwitchのAPIを使用して一貫したトラッキングを通じて収集された。その結果,ストリーミングセッションの頻度,コンテンツの種類,ストリームの長さが,セッション中に視聴者や購読者のストリームがどれだけの頻度で得られるかを決定する重要な要因であることが判明した。
論文参考訳（メタデータ） (2021-11-10T20:55:20Z)
FeelsGoodMan: Inferring Semantics of Twitch Neologisms [0.7734726150561088]
デスクトップは860万本あり、そのうち4万本以上が週に利用された。表の意味や感情についてはほとんど情報がなく、新しい表やその周波数のドリフトが絶え間なく流入しているため、手動でラベル付けされたデータセットを維持することは不可能である。単語埋め込みとk-NNに基づくシンプルだが強力な教師なしフレームワークを導入し、語彙外知識を持つ既存のモデルを強化する。このフレームワークでは,擬似ディクショナリのEmoteの自動生成が可能で,そのようなインジェクションを行う場合でも,上述のベンチマークとほぼ一致できることが示される。
論文参考訳（メタデータ） (2021-08-18T23:46:46Z)
Moment-to-moment Engagement Prediction through the Eyes of the Observer: PUBG Streaming on Twitch [0.9281671380673304]
我々は,有名なバトルロイヤルゲームPlayerUnknown's Battlegroundsから収集されたデータに基づいて,視聴者のエンゲージメントを予測するモデルを構築した。特に,5つの人気ストリーマーの数百試合から視聴者のチャットログとゲーム内テレメトリデータを収集する。私たちの重要な発見は、40のゲームプレイ機能のみにトレーニングされたエンゲージメントモデルが、平均で80%、最高で84%のアキュラシーに達することを示しています。
論文参考訳（メタデータ） (2020-08-17T10:40:34Z)
I love your chain mail! Making knights smile in a fantasy game world: Open-domain goal-oriented dialogue agents [69.68400056148336]
我々は、模倣学習したチトチャットモデルに対して強化学習を施した目標指向モデルを訓練する。両モデルが逆モデルベースラインより優れており,目標を達成するために対話相手と自然に会話できることを示す。
論文参考訳（メタデータ） (2020-02-07T16:22:36Z)

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。