論文の概要: Emotional Analysis of Fashion Trends Using Social Media and AI: Sentiment Analysis on Twitter for Fashion Trend Forecasting
- arxiv url: http://arxiv.org/abs/2505.00050v1
- Date: Wed, 30 Apr 2025 07:27:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.123955
- Title: Emotional Analysis of Fashion Trends Using Social Media and AI: Sentiment Analysis on Twitter for Fashion Trend Forecasting
- Title（参考訳）: ソーシャルメディアとAIを用いたファッショントレンドの感情分析:ファッショントレンド予測のためのTwitter上の感情分析
- Authors: Aayam Bansal, Agneya Tharun,
- Abstract要約: ファッション関連ソーシャルメディア会話における感情パターンがファッショントレンドの予測要因となるかを検討する。
その結果、感情パターンとファッションテーマの人気との間には、アクセサリーとストリートウェアのテーマが統計的に有意な増加傾向を示した。
改良された予測モデルでは,感情分類の精度が78.35%向上し,傾向予測の信頼性が確立された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study explores the intersection of fashion trends and social media sentiment through computational analysis of Twitter data using the T4SA (Twitter for Sentiment Analysis) dataset. By applying natural language processing and machine learning techniques, we examine how sentiment patterns in fashion-related social media conversations can serve as predictors for emerging fashion trends. Our analysis involves the identification and categorization of fashion-related content, sentiment classification with improved normalization techniques, time series decomposition, statistically validated causal relationship modeling, cross-platform sentiment comparison, and brand-specific sentiment analysis. Results indicate correlations between sentiment patterns and fashion theme popularity, with accessories and streetwear themes showing statistically significant rising trends. The Granger causality analysis establishes sustainability and streetwear as primary trend drivers, showing bidirectional relationships with several other themes. The findings demonstrate that social media sentiment analysis can serve as an effective early indicator of fashion trend trajectories when proper statistical validation is applied. Our improved predictive model achieved 78.35% balanced accuracy in sentiment classification, establishing a reliable foundation for trend prediction across positive, neutral, and negative sentiment categories.
- Abstract（参考訳）: 本研究では、T4SA(Twitter for Sentiment Analysis)データセットを用いて、Twitterデータの計算分析を通じて、ファッショントレンドとソーシャルメディア感情の交わりについて検討する。
自然言語処理と機械学習技術を適用することで、ファッション関連ソーシャルメディア会話における感情パターンが、ファッショントレンドの予測にどのように役立つかを検討する。
本分析は,ファッション関連コンテンツの識別と分類,正規化技術の改良による感情分類,時系列分解,統計的に検証された因果関係モデリング,クロスプラットフォームの感情比較,ブランド固有の感情分析を含む。
その結果、感情パターンとファッションテーマの人気との間には、アクセサリーとストリートウェアのテーマが統計的に有意な増加傾向を示した。
グランガー因果関係分析は、サステナビリティとストリートウェアを主要なトレンドドライバとして確立し、他のいくつかのテーマと双方向の関係を示す。
その結果, ソーシャルメディアの感情分析は, 適切な統計的検証を施すと, ファッショントレンドトラジェクトリの効果的な早期指標として有効であることが示唆された。
我々の改善した予測モデルは、感情分類において78.35%の精度を達成し、肯定的、中立的、否定的な感情カテゴリーにまたがるトレンド予測の信頼できる基盤を確立した。
関連論文リスト
- SynGraph: A Dynamic Graph-LLM Synthesis Framework for Sparse Streaming User Sentiment Modeling [33.73286491864817]
eコマースプラットフォームのユーザレビューは、時間的および文脈的要因によって引き起こされる動的な感情パターンを示す。
従来の感情分析手法は、ユーザの感情評価とテキストコンテンツの間の時間的関係を捉えるのに失敗する。
本稿では,ストリーミングレビューにおける感情分析におけるデータの空間性に対処する新しいフレームワークであるSynGraphを紹介する。
論文 参考訳（メタデータ） (2025-03-06T17:05:33Z) - Cross-Domain Shopping and Stock Trend Analysis [0.0]
本稿では,株価,株価,Twitterの株価,およびeコマースサイトにおけるユーザの行動の関係を識別・分析することを目的としたドメイン間トレンド分析を提案する。
この分析は、米国株データセット、ストックツイートデータセット、Eコマース行動データセットの3つのデータセットに基づいている。
論文 参考訳（メタデータ） (2022-12-23T18:21:28Z) - Sentiment Analysis of Fashion Related Posts in Social Media [36.623221002330226]
本稿では、イメージビジョン、ポストテキスト、ファッション属性のモダリティを併用して感情カテゴリーを決定する新しいフレームワークを提案する。
このタスクに適した既存のデータセットが存在しないため、我々は12万以上のファッション関連ソーシャルメディア投稿の大規模感情分析データセットを作成している。
論文 参考訳（メタデータ） (2021-11-15T14:58:09Z) - 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) - Leveraging Multiple Relations for Fashion Trend Forecasting Based on
Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。
KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。
長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文 参考訳（メタデータ） (2021-05-07T14:52:03Z) - Modeling Fashion Influence from Photos [108.58097776743331]
位置情報とファッションブランドの2つのチャンネルに沿って、ファッションの影響を探究する。
44大都市からの770万枚のInstagramの写真の大規模なデータセットを活用しています。
以上の結果から,空間的・時間的に視覚的スタイルを進化させる利点が示唆された。
論文 参考訳（メタデータ） (2020-11-17T20:24:03Z) - Content-based Analysis of the Cultural Differences between TikTok and
Douyin [95.32409577885645]
ショートフォームのソーシャルメディアは、聴衆にダイナミックなストーリーを伝え、彼らの注意を引き付けることによって、伝統的なメディアパラダイムから遠ざかる。
特に、興味深く、理解しやすいユニークなシーンを表現するために、日常的なオブジェクトの異なる組み合わせを用いることができる。
同じ会社によって提供されたTikTokとDouyinは、近年人気になった新しいメディアの好例だ。
メディアファッションや社会的慣用性とともに文化的な違いを表現しているという仮説が,本研究の主目的である。
論文 参考訳（メタデータ） (2020-11-03T01:47:49Z) - Personalized Fashion Recommendation from Personal Social Media Data: An
Item-to-Set Metric Learning Approach [71.63618051547144]
ソーシャルメディアデータからパーソナライズされたファッションレコメンデーションの問題について検討する。
本稿では,ユーザの過去のファッションアイテムと新しいファッションアイテムとの類似性を学習する,アイテムツーセットのメトリック学習フレームワークを提案する。
提案手法の有効性を検証するために,実世界のソーシャルメディアデータセットを収集する。
論文 参考訳（メタデータ） (2020-05-25T23:24:24Z) - Knowledge Enhanced Neural Fashion Trend Forecasting [81.2083786318119]
本研究は,特定のユーザグループを対象とした,きめ細かいファッション要素の傾向の調査に焦点をあてる。
まず、Instagramから収集した大規模なファッショントレンドデータセット(FIT)に、時系列のファッション要素の記録とユーザー情報を抽出した。
本稿では,時系列データモデリングにおける深部再帰型ニューラルネットワークの機能を利用する知識強化型ニューラルネットワークモデル(KERN)を提案する。
論文 参考訳（メタデータ） (2020-05-07T07:42:17Z) - Using Artificial Intelligence to Analyze Fashion Trends [0.76146285961466]
本研究では,人工知能(A.I.)アルゴリズムを用いたデータ駆動量抽象手法を提案する。
A.I.モデルは、さまざまなシナリオ下で大規模なデータセットのファッションイメージに基づいてトレーニングされた。
A.I.モデルは検出された領域の豊富な記述を生成でき、画像中の衣服を正確に結合できることがわかった。
論文 参考訳（メタデータ） (2020-05-03T04:46:12Z)
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。