論文の概要: Integrating Emotion Distribution Networks and Textual Message Analysis for X User Emotional State Classification

• arxiv url: http://arxiv.org/abs/2504.10521v1
• Date: Fri, 11 Apr 2025 10:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:05.721930
• Title: Integrating Emotion Distribution Networks and Textual Message Analysis for X User Emotional State Classification
• Title（参考訳）: Xユーザ感情状態分類のための感情分布ネットワークとテキストメッセージ分析の統合
• Authors: Pardis Moradbeiki, Mohammad Ali Zare Chahooki,
• Abstract要約: この研究は、テキストコンテンツにのみ焦点をあてた従来の感情分析手法が、重要な出来事に対する感情の識別に不十分であることを強調している。 提案手法では,感情分布パターンによる精度が12%向上し,ユーザプロファイルを考慮した場合,15%向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: As the popularity and reach of social networks continue to surge, a vast reservoir of opinions and sentiments across various subjects inundates these platforms. Among these, X social network (formerly Twitter) stands as a juggernaut, boasting approximately 420 million active users. Extracting users' emotional and mental states from their expressed opinions on social media has become a common pursuit. While past methodologies predominantly focused on the textual content of messages to analyze user sentiment, the interactive nature of these platforms suggests a deeper complexity. This study employs hybrid methodologies, integrating textual analysis, profile examination, follower analysis, and emotion dissemination patterns. Initially, user interactions are leveraged to refine emotion classification within messages, encompassing exchanges where users respond to each other. Introducing the concept of a communication tree, a model is extracted to map these interactions. Subsequently, users' bios and interests from this tree are juxtaposed with message text to enrich analysis. Finally, influential figures are identified among users' followers in the communication tree, categorized into different topics to gauge interests. The study highlights that traditional sentiment analysis methodologies, focusing solely on textual content, are inadequate in discerning sentiment towards significant events, notably the presidential election. Comparative analysis with conventional methods reveals a substantial improvement in accuracy with the incorporation of emotion distribution patterns and user profiles. The proposed approach yields a 12% increase in accuracy with emotion distribution patterns and a 15% increase when considering user profiles, underscoring its efficacy in capturing nuanced sentiment dynamics.
• Abstract（参考訳）: ソーシャルネットワークの人気とリーチが高まり続けており、さまざまな分野の意見や感情が、これらのプラットフォームに根ざしている。 その中でも、Xソーシャルネットワーク(元Twitter)は、約4億2000万人のアクティブユーザーを抱えるジャガーノートとして有名だ。 ソーシャルメディア上で表現された意見からユーザーの感情的・精神的な状態を抽出することが一般的となっている。 過去の方法論は主に、ユーザーの感情を分析するためのメッセージのテキストの内容に焦点を当てていたが、これらのプラットフォームのインタラクティブな性質は、より深い複雑さを示唆している。 本研究は,テキスト分析,プロファイル検査,追従者分析,感情伝達パターンを統合したハイブリッド手法を用いる。 当初、ユーザーインタラクションはメッセージ内の感情分類を洗練するために利用され、ユーザー同士が反応する交換を含んでいる。 コミュニケーションツリーの概念を導入し、これらの相互作用をマッピングするためにモデルを抽出する。 その後、この木からのユーザのバイオと興味は、分析を豊かにするために、メッセージテキストが並置される。 最後に、コミュニケーションツリー内の利用者のフォロワーの中から影響力のある人物を識別し、興味を測るために異なるトピックに分類する。 この研究は、テキストコンテンツにのみ焦点をあてた従来の感情分析手法が、重要な出来事、特に大統領選挙に対する感情を明らかにするのに不十分であることを強調している。 従来の手法との比較分析により,感情分布パターンやユーザプロファイルの組み込みによる精度の大幅な向上が示された。 提案手法では,感情分布パターンの精度が12%向上し,ユーザプロファイルを考慮した場合の15%向上が得られた。

関連論文リスト

• 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)
• Exploring Embeddings for Measuring Text Relatedness: Unveiling Sentiments and Relationships in Online Comments [1.7230140898679147]
  本稿では,様々なソーシャルメディアプラットフォームにおけるコメント間の感情的・意味的関係について検討する。 単語の埋め込みを使って文や文書のコンポーネントを分析する。 我々の分析は、オンラインコメントの相互接続性をより深く理解し、大きな相互接続脳として機能するインターネットの概念を調査する。
  論文  参考訳（メタデータ） (2023-09-15T04:57:23Z)
• Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
  隠れ変数分離に基づく動的因果解離モデルを提案する。 このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。 具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-13T12:58:09Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Understanding How People Rate Their Conversations [73.17730062864314]
  我々は、人々が会話エージェントとのインタラクションをどのように評価するかをよりよく理解するために研究を行う。 我々は、評価の変動を説明する変数として、同意性と外向性に焦点を当てる。
  論文  参考訳（メタデータ） (2022-06-01T00:45:32Z)
• Validating daily social media macroscopes of emotions [0.12656629989060433]
  われわれはオンライン新聞で大規模な調査を行い、ユーザーから毎日の情緒的状態の自己報告を収集した。 同じオンラインプラットフォーム上でのユーザディスカッションの感情分析の結果と比較した。 両プラットフォームにおいて,テキスト分析結果と自己報告感情のレベル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） (2021-08-17T14:28:56Z)
• Social media emotion macroscopes reflect emotional experiences in society at large [0.12656629989060433]
  ソーシャルメディアは、大規模かつ長期間にわたって人間の行動に関するデータを生成する。 近年の研究では、ソーシャルメディアの感情と個人レベルでの質問票の相関が弱いことが示されている。 社会全体のレベルでの感情の時間的進化を追跡するために、ソーシャルメディアの感情マクロスコープの有効性を検証した研究はない。
  論文  参考訳（メタデータ） (2021-07-28T09:40:42Z)
• Can You be More Social? Injecting Politeness and Positivity into Task-Oriented Conversational Agents [60.27066549589362]
  人間エージェントが使用する社会言語は、ユーザーの応答性の向上とタスク完了に関連しています。 このモデルは、ソーシャル言語理解要素で拡張されたシーケンスからシーケンスまでのディープラーニングアーキテクチャを使用する。 人的判断と自動言語尺度の両方を用いたコンテンツ保存と社会言語レベルの評価は,エージェントがより社会的に適切な方法でユーザの問題に対処できる応答を生成できることを示している。
  論文  参考訳（メタデータ） (2020-12-29T08:22:48Z)
• Tweets Sentiment Analysis via Word Embeddings and Machine Learning Techniques [1.345251051985899]
  本論文では、感情分類のための特徴選択モデルWord2vecと機械学習アルゴリズムランダムフォレストを用いて、リアルタイムの2019年選挙Twitterデータに対する感情分析を行うことを目的とする。 Word2vecはテキスト中の単語の文脈意味を考慮し、特徴の質を改善し、機械学習と感情分析の精度を向上させる。
  論文  参考訳（メタデータ） (2020-07-05T08:10:30Z)
• BiERU: Bidirectional Emotional Recurrent Unit for Conversational Sentiment Analysis [18.1320976106637]
  会話感情分析と単文感情分析の主な違いは、文脈情報の存在である。 既存のアプローチでは、会話内の異なるパーティを区別し、コンテキスト情報をモデル化するために複雑なディープラーニング構造を採用している。 本稿では,会話感情分析のための双方向感情的反復単位という,高速でコンパクトでパラメータ効率のよい非依存フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-31T11:13:13Z)

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。