Towards Successful Social Media Advertising: Predicting the Influence of Commercial Tweets
The Ohio State University(俄亥俄州立大学)
企业出于各种原因使用Twitter进行沟通-提高其品牌的知名度,营销新产品,回应社区评论,并以有针对性的方式与客户和潜在客户联系。对于企业来说,要有效地做到这一点,他们需要了解关于推文的哪些内容和结构元素使其具有影响力,即广泛喜欢,关注和转发。本文提出了一种系统的方法来分析商业推文,并预测其对读者的影响。我们的模型使用装饰和Meta特征的组合,优于基线模型和推文嵌入模型的预测能力。此外,为了展示这项工作的实际用途,我们展示了如何设计一个不成功的推文(例如,改写),以增加其成功的潜力。
2019-10-28 cs.CL cs.IR cs.SI
Personality Profiling: How informative are social media profiles in predicting personal information?
School of Computer & Mathematical Sciences, The University of Adelaide(阿德莱德大学计算机与数学科学学院)
本文比较逻辑回归、朴素贝叶斯、SVM和随机森林在社交媒体数字足迹上预测迈尔斯-布里格斯人格类型的效果,发现SVM准确率最高为20.95%,并提出特征重要性统计框架及类别不平衡处理方法。
2024-11-24 cs.CL cs.SI
Examining the Role of Mood Patterns in Predicting Self-Reported Depressive symptoms
The University of Edinburgh(爱丁堡大学)
抑郁症是全球残疾的主要原因。从社交媒体帖子中检测抑郁信号的初步努力已经显示出有希望的结果。鉴于高内部效度,这些分析的结果可能有利于临床判断。现有的抑郁症状自动检测模型从社交媒体数据中学习代理诊断信号,例如心理健康或药物名称的求助行为。然而,在现实中,抑郁症患者通常会经历抑郁情绪,几乎在所有活动中失去乐趣,感到无助或内疚,以及思考能力下降。因此,这些模型中使用的许多代理信号缺乏抑郁症状的理论基础。另据报道,临床环境中许多患者的社交媒体帖子不包含这些信号。基于这一研究空白,我们建议监测一种类型的信号,这是公认的一类症状的情感障碍-情绪。情绪是一种可以持续数小时、数天甚至数周的感觉体验。在这项工作中,我们试图通过构建社交媒体用户的“情绪档案”来丰富当前检测潜在抑郁症症状的技术。
2020-06-14 cs.CL cs.SI
Reading Between the Signs: Predicting Future Suicidal Ideation from Adolescent Social Media Texts
Delft University of Technology(代尔夫特理工大学)
研究从青少年社交媒体文本预测未来自杀意念,提出Early-SIB模型,基于Transformer顺序处理用户帖子以预测是否会发自杀意念和行为帖子,在荷兰青年论坛上平衡准确率达0.73,还使预测更易解释,为传统方法提供补充。
2026-07-28 cs.CL
Predicting Social Media User Actions: A Hybrid Approach for Common and Rare Behavior Prediction on Bluesky
Orange Innovation(Orange创新)
本文提出了一种混合方法,用于预测社交媒体上常见和罕见用户行为,通过结合多种模型和特征工程,在Bluesky数据集上实现了较高的预测精度,并在挑战赛中获得第一名。
2026-08-07 cs.CL
Exploring Complex Mental Health Symptoms via Classifying Social Media Data with Explainable LLMs
University of Toronto(多伦多大学);LinkedIn Corporation(领英公司);Princeton University(普林斯顿大学)
本文提出一种利用可解释大语言模型对社交媒体文本分类并分析解释的流水线,初步应用于预测莱姆病和焦虑人群的心理健康及未来ADHD担忧。
2024-12-09 cs.CL
Predicting the Type and Target of Offensive Posts in Social Media
University of Wolverhampton(伍尔弗汉普顿大学);Harvard Medical School(哈佛医学院);Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所);IBM Research(IBM研究院);Columbia University(哥伦比亚大学);Bhim Rao Ambedkar University(比姆·拉奥·安贝德卡尔大学)
随着攻击性内容在社交媒体中变得普遍,在识别潜在的攻击性消息方面已经有了很多研究。然而,以前关于这个主题的工作并没有把问题作为一个整体来考虑,而是集中在检测非常特定类型的攻击性内容上,例如,仇恨言论、网络欺凌或网络侵略。相比之下,这里我们针对几种不同类型的攻击性内容。特别是,我们对任务进行了分层建模,确定了社交媒体中攻击性信息的类型和目标。为此,我们编写了攻击性语言识别数据集(OLID),这是一个新的数据集,其中使用细粒度的三层注释方案对攻击性内容进行了注释,我们将其公开提供。我们讨论了OLID和现有数据集之间的主要相似性和差异,用于仇恨言论识别,攻击检测和类似任务。我们进一步实验并比较了OLID上不同机器学习模型的性能。
2019-04-16 cs.CL
SocialNLP EmotionGIF 2020 Challenge Overview: Predicting Reaction GIF Categories on Social Media
Taiwan International Graduate Program(台湾国际研究生学程);Institute of Information Science, Academia Sinica(中央研究院资讯科学研究所);Institute of Service Science, National Tsing Hua University(国立清华大学服务科学研究所)
我们介绍了在第八届社交媒体自然语言处理国际研讨会(SocialNLP)上与ACL 2020联合举办的AdmissionGIF 2020挑战赛的概况。这项挑战要求预测对在线文本的情感反应,并包括了AdmissionGIF数据集,其中的推文被标记为反应类别。新的数据集包括4万条推文及其反应GIF。由于二零二零年的特殊情况,本集团进行了两轮比赛。共有84个小组登记参加这项任务。其中,25支队伍在第一轮中成功提交了参赛作品,13支队伍成功参加了第二轮。在顶级参与者中,有五个团队提交了技术报告并分享了他们的代码。获胜团队使用Recall@K指标的最高得分为62.47%。
2021-02-24 cs.CL cs.LG
Leveraging Prompt-Based Large Language Models: Predicting Pandemic Health Decisions and Outcomes Through Social Media Language
Virginia Tech(弗吉尼亚理工大学);Cornell University(康奈尔大学)
提出基于提示LLM的RBIC多步推理框架,从反防疫Reddit讨论中提取并追踪要旨,分析其在线参与影响及与疫苗接种、住院趋势的关联。
2024-03-01 cs.AI cs.CL cs.HC
Predicting the Role of Political Trolls in Social Media
Sofia University(索非亚大学);ISI Foundation(ISI基金会)
我们调查了社交媒体中“网络巨魔”的政治角色。政治巨魔,例如与俄罗斯互联网研究机构(IRA)有关的巨魔,最近因其影响公众舆论甚至影响选举的能力而受到极大关注。对巨魔在线痕迹的分析显示了不同的行为模式,这些模式针对不同的人群。然而,这种分析是手动和劳动密集型的,因此作为新发现的巨魔农场的第一响应工具是不切实际的。在本文中,我们展示了如何在现实环境中使用机器学习来自动化这种分析。特别是,我们展示了如何通过使用从社交媒体中提取的特征,即,Twitter,在两个场景中:(i)在传统的监督学习场景中,巨魔的标签可用,以及(ii)在远程监督场景中,巨魔的标签不可用,我们依赖于巨魔提到的新闻媒体的更常见的标签。从技术上讲,我们利用社区结构和巨魔在线社交网络中的消息文本表示为一个图,从中我们提取了几种类型的学习表示,即~为巨魔做的嵌入物在“IRA Russian Troll”数据集上的实验表明,我们的方法在第一种情况下比最先进的方法有所改进,同时为第二种情况提供了一个令人信服的案例,到目前为止,文献中还没有探讨过这种情况。
2019-10-04 cs.AI cs.CL cs.SI
We Can Detect Your Bias: Predicting the Political Ideology of News Articles
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);Qatar Computing Research Institute, HBKU(卡塔尔计算研究所(哈马德·本·哈利法大学))
我们探讨的任务是预测新闻文章的主要政治意识形态或偏见。首先,我们收集并发布了一个包含34,737篇文章的大型数据集,这些文章被手动注释为政治意识形态-左翼,中间派或右翼-这在主题和媒体之间都很平衡。我们进一步使用了一个具有挑战性的实验设置,其中测试示例来自训练过程中未看到的媒体,这阻止了模型学习检测目标新闻文章的来源,而不是预测其政治意识形态。从建模的角度来看,我们提出了一个对抗性的媒体适应,以及一个特别适应的三重损失。我们进一步添加有关源的背景信息,我们表明,这是非常有帮助的提高文章级预测。我们的实验结果表明,在这个具有挑战性的设置中使用最先进的预训练Transformers有很大的改进。
2020-10-11 cs.CL
A Big Data Analytics System for Predicting Suicidal Ideation in Real-Time Based on Social Media Streaming Data
Dams and Water Resources Research Center, University of Mosul(摩苏尔大学大坝与水资源研究中心);Yildiz Technical University(伊兹密尔技术大学);Centre for Industrial Software, University of Southern Denmark(南丹麦大学工业软件中心)
提出基于大数据架构的社交媒体自杀意念实时预测系统,采用批处理和流式两阶段方法,结合多种特征提取与Spark ML分类器,最优模型准确率达93.47%。
2024-03-19 cs.CL cs.LG cs.SI
Predicting stock prices with ChatGPT-annotated Reddit sentiment
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
本研究针对社交媒体情感能否预测股价的问题,提出经ChatGPT标注微调的RoBERTa情感分析模型,分析Reddit板块中GME和AMC相关讨论,发现社交媒体情感与股价弱相关,评论量、搜索趋势等简单指标预测性更强。
2025-07-21 cs.AI cs.CL cs.SI
Will I Get Hate Speech Predicting the Volume of Abusive Replies before Posting in Social Media
Queen Mary University of London(伦敦玛丽女王大学);Taif University(塔伊夫大学);University of Essex(埃塞克斯大学);Heriot-Watt University(赫瑞瓦特大学)
本研究填补了社交媒体滥用语言预测的空白,通过提取文本、元数据和账户等四类特征构建模型,在推文发布前预测其可能收到的滥用回复数量,发现推文内容而非用户身份是触发滥用回复的关键因素。
2025-03-04 cs.CL
Predicting the Type and Target of Offensive Social Media Posts in Marathi
Rochester Institute of Technology(罗切斯特理工学院);University of Wolverhampton(伍尔弗汉普顿大学)
社交媒体上出现攻击性语言是非常常见的激励平台投资于使社区更安全的战略。这包括开发能够识别在线攻击性内容的强大机器学习系统。除了少数几个明显的例外,大多数关于自动攻击性语言识别的研究都涉及英语和其他一些高资源语言,如法语,德语和西班牙语。在本文中,我们通过解决Marathi(一种在印度使用的低资源印度-雅利安语言)中的冒犯性语言识别来解决这一差距。我们介绍了马拉地语攻击性语言数据集v.2.0或MOLD 2.0,并在此数据集上进行了多个实验。MOLD 2.0是MOLD的一个更大的版本,它将注释扩展到流行的OLID分类法的B(类型)和C(目标)级别。MOLD 2.0是为马拉地语编制的第一个分层攻击性语言数据集,从而为低资源的印度-雅利安语言的研究开辟了新的途径。最后,我们还介绍了SeMOLD,这是一个更大的数据集,它遵循SOLID中提出的半监督方法进行注释。
2022-11-22 cs.AI cs.CL cs.CY
Variable-sized input, character-level recurrent neural networks in lead generation: predicting close rates from raw user inputs
预测铅关闭率是铅代行业中最有问题的任务之一.在大多数情况下,关于前景的唯一可用数据是用户在潜在客户表单上输入的自我报告信息以及通过社交媒体和搜索引擎使用公开可用的其他一些数据点。所有主要的市场利基为铅一代[1],如保险,健康&医疗和房地产,处理改变生活的决策,没有任何数量的数据将永远无法描述或预测。本文阐述了如何字符级,深度长短期记忆网络可以应用于原始用户输入,以帮助预测关闭率。然后,模型的输出被用作一个额外的、高度预测的功能,以显著提高潜在客户评分模型的性能。
2019-01-16 cs.CL cs.LG
NLP Case Study on Predicting the Before and After of the Ukraine-Russia and Hamas-Israel Conflicts
Hofstra University(霍夫斯特拉大学);Northeastern University(东北大学)
本研究针对俄乌与哈马斯-以色列两场冲突,整理多平台社交媒体前后时段数据集,用有监督和无监督NLP技术预测文本毒性等属性,验证了社媒 discourse 可预判冲突,预测误差低至约1.2%。
2024-10-08 cs.AI cs.CL cs.LG
MGM: Global Understanding of Audience Overlap Graphs for Predicting the Factuality and the Bias of News Media
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Sun Yat-sen University(中山大学)
针对新闻媒体政治偏见与真实性分类,提出基于变分EM框架的MGM,利用全局相似节点信息增强GNN和PLM,实现新最先进性能。
2024-12-12 cs.AI cs.CL cs.LG
Fine-Tune Longformer for Jointly Predicting Rumor Stance and Veracity
[24]7.ai
社交媒体的使用增加导致了甚至未经证实的新闻和事件的流行,导致谣言在网络上传播。由于社交媒体平台的广泛使用和使用量的增加导致了数据的大量可用。处理如此大的数据的手动方法成本高且耗时,因此自动处理和验证这些内容以发现谣言的存在已经引起了越来越多的关注。大量的研究表明,对此类事件和新闻的讨论帖中帖子的立场进行识别,是判断谣言真实性的重要前置步骤。在本文中,我们提出了一个多任务学习框架,用于联合预测SemEval 2019 RumorEval发布的数据集的谣言立场和真实性:确定谣言的真实性和对谣言的支持(SemEval 2019任务7),其中包括来自Reddit和Twit-ter的各种突发新闻故事的社交媒体谣言。我们的框架由两部分组成:a)我们框架的底部部分通过对多轮对话进行建模,对讨论谣言的对话线程中的每个帖子的立场进行分类,并使每个帖子都知道它的相邻帖子。b)上半部分预测具有从下半部分获得的立场演变的会话线程的谣言真实性。在SemEval 2019 Task 7数据集上的实验结果表明,该方法在谣言立场分类和准确性预测方面都优于以前的方法
2020-10-22 cs.CL
Optimizing Transformer based on high-performance optimizer for predicting employment sentiment in American social media content
Carnegie Mellon University(卡内基梅隆大学);North Carolina State University(北卡罗来纳州立大学);New York University(纽约大学)
本文基于群智能优化算法改进Transformer模型,用于预测美国社交媒体就业相关文本情绪,实验表明模型准确率显著提升且泛化能力强,为就业决策提供数据支持。
2024-10-09 cs.AI cs.CL
Predicting the Leading Political Ideology of YouTube Channels Using Acoustic, Textual, and Metadata Information
Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所)
我们解决预测主导政治意识形态的问题,即,左中右偏置,对于新闻媒体的YouTube频道。以前关于这个问题的工作只集中在文本和对所使用的语言、讨论的主题、情感等的分析上。相比之下,在这里我们研究视频,这产生了一个有趣的多模态设置。从Media Bias/Fact Check关于世界主要新闻媒体的主要政治意识形态的黄金注释开始,我们在YouTube上搜索找到相应的频道,并从每个频道下载了最近的视频样本。我们抓取了超过1,000个小时的YouTube以及相应的字幕和元数据,从而产生了一个新的多模态数据集。我们进一步为该任务开发了多模态深度学习架构。我们的分析表明,与仅使用文本和元数据相比,使用声学信号有助于将偏差检测提高6%以上。我们将数据集发布给研究社区,希望有助于推进多模态政治偏见检测领域。
2019-10-20 cs.CL cs.IR cs.SD
Predicting Question Quality on StackOverflow with Neural Networks
Texas A&M University - San Antonio(德克萨斯A&M大学圣安东尼奥分校);Slippery Rock University of Pennsylvania(宾夕法尼亚滑石大学)
本文评估神经网络模型预测Stack Overflow问题质量,准确率达80%,优于基线机器学习模型,并发现网络层数显著影响性能。
2024-04-20 cs.CL cs.LG
Hashing it Out: Predicting Unhealthy Conversations on Twitter
UC Berkeley(加州大学伯克利分校)
本文提出基于注意力的BERT模型,在推特语料上预训练并微调,用于预测对话脱轨,性能优于LSTM,且通过合成过采样在小数据集上有效。
2023-11-17 cs.AI cs.CL