Representation Learning in Heterogeneous Professional Social Networks with Ambiguous Social Connections
网络表示已被证明可以提高各种任务的性能,包括分类、聚类和链接预测。然而,大多数模型要么专注于中等规模的同构网络,要么需要用户提供大量的辅助输入。此外,很少有作品研究网络表征在现实世界中的异构社交网络模糊的社会关系,往往是不完整的。在目前的工作中,我们研究的问题,学习低维节点表示异构专业社交网络(HPSN),这是不完整的,有模糊的社会联系。我们提出了一个通用的异构网络表示学习模型称为Star 2 Vec,学习实体和人的嵌入共同使用的社会连接强度感知偏置随机游走结合节点结构扩展功能。在LinkedIn的Economic Graph和公开的Facebook网络快照上的实验表明,Star 2 Vec在成员行业和社交圈分类、技能和头衔聚类以及成员-实体链接预测方面优于现有方法。我们还进行了大规模的案例研究,以展示在LinkedIn的经济图上训练的Star 2 Vec嵌入的实际应用,例如下一个职业移动,替代职业建议和一般实体相似性搜索。
2019-10-23 cs.SI
Social Media Analysis based on Semanticity of Streaming and Batch Data
AMRITA SCHOOL OF ENGINEERING(阿姆瑞塔工程学院);AMRITA VISHWA VIDYAPEETHAM(阿姆瑞塔大学)
不同地区的人们所使用的语言因其口音、发音和用词而异。在这个时代,语言的分享主要通过社交媒体和博客进行。这种微帖子的每一次摆动都存在,这就需要处理这些微帖子,以便从中提取知识。知识提取根据认知科学研究的应用而有所不同。本文通过在命名实体识别和作者分析等应用中提取流数据和批数据的语义信息,进一步推进了这一研究。在命名实体识别的情况下,已经利用了单个微帖子的上下文,并且利用了位于微帖子池中的上下文来标识那些微帖子的作者的社交方面。在这项工作中,条件随机场已被用来做实体识别,并提出了一种新的方法来找到作者的社会方面(性别,年龄组)。
2018-01-05 cs.AI cs.CL cs.SI
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto(波尔图大学)
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析,我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
Tracking the Diffusion of Named Entities
Experian(益博睿);University of Sheffield(谢菲尔德大学)
迄今为止,关于信息如何在社交网络中传播的现有研究主要集中在分析和恢复确定性创新的传播,如URL、主题标签和群组成员。然而,调查真实世界实体的出现和传播方式还有待探索,这主要是由于执行大规模实体提取的计算棘手的性质。在本文中,我们提出了,据我们所知,第一件工作,仔细检查命名实体在社交媒体上的扩散,使用Reddit作为我们的案例研究平台。我们首先研究如何命名的实体可以准确地识别和提取的讨论帖子。然后,我们使用这些提取的实体来研究实体级联的模式,以及用户采用实体(即提及它)的概率如何与实体的暴露相关联。我们把这些碎片放在一起,提出了一个并行的扩散模型,可以预测实体采用的概率,发现用户之间的采用的影响可以通过他们以前的互动-而不是用户是否传播实体采用事先。我们的研究结果对研究影响力和语言的研究人员以及希望了解实体层面影响力动态的社区分析师具有重要意义。
2017-12-29 cs.CL cs.SI
Gandhipedia: A one-stop AI-enabled portal for browsing Gandhian literature, life-events and his social network
我们引入了一个支持AI的门户网站,通过从甘地文学中构建时间和空间的社交网络,呈现了圣雄甘地生活事件的出色可视化。应用NLTK,Polyglot和Spacy的方法,我们提取了甘地书面作品中提到的关键人物和地点。我们可视化这些实体和它们之间的连接的基础上共同提到在同一时间框架内的网络在一个互动的门户网站。网络中的节点在被点击时激发关于实体的搜索查询,并且关于在构建网络的相应书籍中呈现的实体的所有信息被检索并呈现回门户上。总的来说,这个系统可以作为一个数字和用户友好的资源来研究甘地的文学。
2020-06-05 cs.IR cs.SI
Entity-Specific Sentiment Classification of Yahoo News Comments
Yahoo Labs(雅虎实验室);University of North Texas(北德克萨斯大学)
情感分类广泛用于产品评论和在线社交媒体,如论坛,Twitter和博客。然而,对新闻网站上用户评论的情感进行分类的问题尚未得到解决。新闻网站涵盖了广泛的领域,包括政治,体育,技术和娱乐,而其他在线社交网站,如论坛和评论网站,这是特定于一个特定的领域。与新闻站点相关联的用户可能对不同的主题(例如,政治、智能手机和体育)或不同的实体(例如,奥巴马、iPhone或谷歌)。对与各种实体相关联的用户的情感进行分类可以帮助获得他们个性的整体视图,这在诸如在线广告、内容个性化和政治竞选规划等应用中可能是有用的。在本文中,我们制定的问题,在雅虎新闻的新闻文章发表评论的实体特定的情感分类,并提出新的功能,是特定的新闻评论。实验结果表明,我们的模型优于最先进的基线。
2015-06-11 cs.CL cs.IR cs.SI
A Power Law Approach to Estimating Fake Social Network Accounts
本文提出了一种方法来验证一个品牌,团体,艺术家或任何其他实体的社交网站Twitter上的真实顾客。我们分析了不同社会和政治背景下各个节点的推文总数、平均转发数和追随者总数的趋势。我们认为,平均转发与追随者比率揭示了个人账户的整体价值,并有助于估计真假账户比率。
2016-05-25 cs.SI physics.soc-ph
Inferring Political Preferences from Twitter
Jamia Millia Islamia(贾米亚·米利亚·伊斯兰亚大学)
情感分析是自动分析用户对实体或该实体的某些方面的意见和情感的任务。社交媒体的政治情感分析有助于政治战略家在实际选举之前仔细审查政党或候选人的表现,并即兴发挥他们的弱点。在选举期间,社交网络充斥着关于政党和政治家前景的博客、聊天、辩论和讨论。产生的数据量非常大,无法使用最新技术进行研究,分析和推断。Twitter是最受欢迎的社交媒体平台之一,使我们能够执行特定领域的数据准备。在这项工作中,我们选择通过使用经典的机器学习将其建模为文本分类问题来识别推文中存在的政治观点的倾向。与2020年德里选举有关的推文被提取并用于该任务。在几种算法中,我们观察到支持向量机描绘了最好的性能。
2020-07-21 cs.CY cs.LG cs.SI
User characterization for online social networks
在线社会网络分析已经引起了极大的关注,大量的用户共享信息和帮助抓取在线社会网络数据的API的可用性。在本文中,我们研究的研究,是有助于用户特征的在线用户可能并不总是揭示他们的真实身份或属性。我们特别关注用户属性确定,如性别、年龄等;用户行为分析,例如欺骗动机;作为用户行为指标的心理模型;用户分类,例如机器人与人类;以及不同社交网络上的实体匹配。我们相信我们的用户特征分析总结将为研究人员提供重要的见解和更好的服务,在线用户。
2016-12-27 cs.SI
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文构建TBCOV大规模多语言COVID-19推文数据集,利用深度学习标注情感、实体、用户与性别,并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI
Matching Entities Across Online Social Networks
在线社交网络(OSN),如Facebook和Twitter,已成为我们日常生活中不可或缺的一部分。有数百个OSN,每个都有自己的重点,每个都提供特定的服务和功能。最近的研究表明,许多OSN用户使用相同或不同的个人信息在多个OSN上创建多个帐户。从多个OSN收集个人的所有可用数据并将其融合到单个配置文件中可以用于许多目的。在本文中,我们介绍了新的机器学习为基础的方法来解决实体解析(ER),一个问题,在多个OSN匹配用户简档。所提出的方法能够基于监督学习技术在来自两个不同OSN的两个用户简档之间进行匹配,该技术使用从用户简档中的每一个中提取的特征。通过使用提取的特征和监督学习技术,我们开发了分类器,可以在以下情况下在两个配置文件之间执行实体匹配:(a)在两个OSN上匹配实体;(b)通过相似的名称搜索用户;以及(c)对用户的身份进行去匿名化。通过使用从两个流行的OSN,Facebook和Xing收集的数据来测试所构造的分类器。然后,我们使用各种评估指标评估分类器的性能,例如真阳性率和假阳性率,准确性和接收器操作曲线下的面积(AUC)。对构建的分类器进行了评估,其分类性能由AUC测量是相当显着的,AUC高达0.982和高达95.9%的准确率在识别用户简档在两个OSN。
2014-11-04 cs.SI
An Empirical Study of How Users Adopt Famous Entities
社交网络服务的用户通过创建不对称和对称的社交链接来构建他们的个人社交网络。用户通常关注朋友和选定的著名实体,包括名人和新闻机构。在本文中,我们调查用户如何遵循著名的实体。我们静态和动态地分析数据在一个巨大的社交网络服务与一组手动分类的著名的实体。结果表明,知名实体的进入度不符合幂律分布。相反,每个用户在同一类别中的最大著名追随者数量呈现幂律特性。据我们所知,在现实生活中,还没有人选择著名的实体数据集来研究这个问题。这些发现可能有助于微博营销和用户分类。
2012-09-06 cs.SI physics.soc-ph
Attributed Social Network Embedding
将网络数据嵌入到低维向量空间中对于许多现实世界的应用,如节点分类和实体检索,表现出良好的性能。然而,大多数现有的方法只集中在利用网络结构。对于社交网络,除了网络结构之外,还存在关于社会行为者的丰富信息,例如友谊网络的用户简档和引文网络的文本内容。社会行动者丰富的属性信息揭示了同质性效应,对社交网络的形成产生了巨大的影响。本文探讨了社交网络中丰富的属性证据源,以提高网络嵌入能力。我们提出了一个通用的社会网络嵌入框架(SNE),它学习社会参与者的表示(即,节点)通过保持结构接近度和属性接近度两者。虽然结构接近捕捉全球网络结构,属性接近占同质性效应。为了证明我们的建议,我们在四个现实世界的社交网络上进行了广泛的实验。与最先进的网络嵌入方法相比,SNE可以学习更多的信息表示,在链接预测和节点分类的任务上实现了实质性的收益。具体来说,SNE显著优于node2vec,在链接预测任务上有8.2%的相对改进,在节点分类任务上有12.7%的增益。
2017-05-14 cs.SI
Semantic Text Analysis for Detection of Compromised Accounts on Social Networks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
社交网络上的受损帐户是已被具有恶意意图的实体接管的常规用户帐户。由于攻击者会利用已建立的受感染帐户的信任,因此检测这些帐户以限制它们可能造成的损害至关重要。我们提出了一种新的通用框架,用于对来自帐户的文本消息进行语义分析,以检测受损帐户。我们的框架是建立在这样一个观察的基础上的:正常用户使用的语言与对手在账户受损时使用的语言有很大的不同。我们建议使用用户和对手的语言模型的差异来定义新的可解释的语义特征,用于测量消息流中的语义不一致性。我们使用Twitter数据集研究了所提出的语义特征的有效性。评估结果表明,所提出的框架是有效的发现受损帐户上的社交网络和KL分歧为基础的语言模型功能的效果最好。
2020-10-23 cs.CL cs.CR cs.SI
A Wikipedia-based approach to profiling activities on social media
在线用户分析是一个非常活跃的研究领域,引起了科学家和实践者的极大兴趣。在本文中,特别是,我们看看能够挖掘用户的社交媒体活动,以创建一个丰富的用户简档的方法。我们看的情况下,剖析是为了表征用户的兴趣沿着一组预定义的维度(我们称之为类别)。这样做的常规方式是使用语义分析技术来(i)从用户的在线对话中提取相关实体(ii)将所述实体映射到预定义的感兴趣类别。虽然实体提取是一个很好理解的主题,但映射部分缺乏参考标准化方法。在本文中,我们建议使用维基百科树上的图形导航技术来实现这样的映射。一个原型实现,并报告了一些初步结果。
2018-09-26 cs.IR cs.SI
Comprehensive Privacy Risk Assessment in Social Networks Using User Attributes Social Graphs and Text Analysis
本文提出综合隐私风险评分框架CPRS,融合用户属性、社交图谱与文本内容量化隐私风险,并在两个真实数据集上验证其有效性,为个性化隐私管理提供可扩展方法。
2025-07-20 cs.SI
Multi-view Learning for the Identification of Risky Users in Dynamic Social Networks
提出一种多视图学习方法,利用时间图节点分类识别社交网络中的风险用户,实验证明考虑网络动态演变优于静态方法。
2025-03-25 cs.SI
Tweets Under the Rubble: Detection of Messages Calling for Help in Earthquake Disaster
Aselsan Research Center(阿瑟尔桑研究中心)
2023年土耳其和叙利亚地震的悲剧再次暴露了社交媒体的重要性。许多被困在废墟下的受害者通过在Twitter上发布消息寻求帮助。我们提出了一个交互式工具,为失踪和被困人员提供情况感知,并为救援和捐赠工作提供救灾。该系统(i)收集推文,(ii)对求助的推文进行分类,(iii)提取重要的实体标签,以及(iv)在交互式地图屏幕中将它们可视化。我们的初步实验表明,在F1分数方面的性能是高达98.30的推文分类,和84.32的实体提取。可以在https://github.com/avaapm/deprem上访问演示、数据集和其他相关文件
2023-02-26 cs.CL cs.IR cs.SI