Towards Temporal Knowledge-Base Creation for Fine-Grained Opinion Analysis with Language Models
Insight SFI Research Ireland Centre for Data Analytics, University of Galway(爱尔兰数据分析师中心,Galway大学)
针对现有文本观点分析缺乏时间锚点细粒度标注的问题,提出一种以LLM为自动标注器的可扩展时序观点知识库构建方法,定义三类数据模型,经定量评估和双模型标注验证,可适配RAG等多类下游应用。
2025-09-02 cs.CL
Bias in Opinion Summarisation from Pre-training to Adaptation: A Case Study in Political Bias
RMIT University(皇家墨尔本理工大学)
该研究以政治偏见为案例,建立生成式观点摘要模型的偏见量化方法,追踪偏见从预训练到社交媒体摘要适配阶段的传递,发现模型多有固有偏见,少参数微调比标准微调偏见更低,且训练数据主题多样性很关键。
2024-02-01 cs.CL
SocialPersona: Benchmarking Personalized Profiling and Response with Multimodal Social-Media Context
Harbin Institute of Technology(哈尔滨工业大学)
提出SocialPersona基准,评估多模态大语言模型从社交媒体时间线推断用户偏好并用于对话的能力,实验表明模型在细粒度与近期偏好上表现不足。
2026-06-26 cs.CL cs.HC cs.IR
CUNY at CLPsych 2026: A Pipeline Approach to Classification and Summarization of Mental Health Changes
Computer Science Department, CUNY Graduate Center(哥伦比亚大学研究生院计算机科学系);Linguistics Department, CUNY Graduate Center(哥伦比亚大学研究生院语言学系)
提出一种流水线方法,通过集成三个开源大语言模型的上下文学习和监督分类,对社交媒体时间线中的心理健康状态进行推断、变化点预测和模式总结,在CLPsych 2026共享任务中取得领先排名。
2026-05-22 cs.CL
Leveraging LLMs and Social Media to Understand User Perception of Smartphone-Based Earthquake Early Warnings
Department of Earth and Planetary Sciences, Harvard University(哈佛大学地球与行星科学系);Google LLC(谷歌公司);Seismological Laboratory, University of California, Berkeley(加州大学伯克利分校地震实验室);Google Germany GmbH(谷歌德国公司)
本文通过分析社交媒体数据,探讨用户对智能手机地震预警系统的感知,发现用户信任与预警及时性密切相关,揭示了系统准确性的用户定义差异。
2026-03-24 cs.AI cs.CY physics.geo-ph
SocietyBench: Forecasting Counterfactual Social-World Evolution
本文推出SocietyBench基准,通过构建反事实社会世界,测试LLMs预测社会事件的概率校准与时间准确性,发现前沿LLMs表现远逊于基准,智能体框架未提升性能,强调多事件评估的必要性。
2026-08-10 cs.CL
Depression Symptoms Modelling from Social Media Text: A Semi-supervised Learning Approach
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
基于社交媒体语言的用户级临床抑郁症建模的一个基本组成部分是抑郁症症状检测(DSD)。不幸的是,目前还没有任何DSD数据集,反映了临床见解和抑郁症症状的分布,从样本的自我披露的抑郁症人群。在我们的工作中,我们描述了一个半监督学习(SSL)框架,该框架使用初始监督学习模型,该模型利用1)在临床医生注释的DSD数据集上进一步微调的最先进的大型心理健康论坛文本预训练语言模型,2)用于DSD的零样本学习模型,并将它们结合在一起,从我们的大型自助抑郁推文库(DTR)中收集抑郁症状相关的样本。我们的临床医生注释数据集是同类中最大的。此外,DTR是从来自两个数据集的自我披露抑郁用户Twitter时间轴中的推文样本创建的,其中包括来自Twitter的用于用户级抑郁检测的最大基准数据集之一。这进一步有助于保留自我披露的Twitter用户推文的抑郁症状分布。随后,我们使用收集的数据迭代地重新训练我们的初始DSD模型。我们讨论了这个SSL过程的停止标准和限制,并阐述了在整个SSL过程中起着至关重要的作用的基础结构。我们表明,我们可以产生一个最终的数据集,这是最大的同类。此外,在其上训练的DSD和抑郁检测后(DPD)模型比其初始版本具有更高的准确性。
2022-09-28 cs.AI cs.CL cs.LG
Extracting Affect Aggregates from Longitudinal Social Media Data with Temporal Adapters for Large Language Models
本文提出利用时间对齐的大语言模型结合Temporal Adapters对Llama 3 8B微调,从英国Twitter用户的纵向数据中提取情绪和态度聚合指标,并验证其与调查数据显著正相关,为社交媒体纵向分析提供灵活新方法。
2025-01-09 cs.CL cs.CY
Near-real-time Earthquake-induced Fatality Estimation using Crowdsourced Data and Large-Language Models
Stony Brook University(石溪大学);U.S. Geological Survey(美国地质调查局);Johns Hopkins University(约翰斯·霍普金斯大学)
针对地震后早期伤亡信息滞后且社交媒体报告嘈杂冲突的问题,提出融合大语言模型抽取、动态真相发现与贝叶斯更新的端到端框架,实现近实时且媲美USGS人工方法的全球地震损失预测。
2023-12-04 cs.AI cs.CL cs.CY
Creation and evaluation of timelines for longitudinal user posts
Queen Mary University of London(伦敦玛丽女王大学);The Alan Turing Institute(艾伦·图灵研究所);University of Cambridge(剑桥大学);University of Warwick(华威大学)
随着时间的推移,人们越来越有兴趣在社交媒体中使用用户生成的内容,特别是文本帖子。目前,还没有一种一致的方法来以一种有意义的方式将用户帖子分割成时间线,从而提高手动注释的质量和成本。在这里,我们提出了一套纵向用户帖子分割成时间轴的方法,可能包含有趣的时刻,在用户的行为变化,基于他们的在线发布活动。我们还提出了一个新的框架来评估时间线,并显示其适用性的背景下,两个不同的社交媒体数据集。最后,我们提出了一个讨论的语言内容的高度排名的时间轴。
2023-03-10 cs.CL
Social media mining for identification and exploration of health-related information from pregnant women
Arizona State University(亚利桑那州立大学);University of Pennsylvania(宾夕法尼亚大学)
社交媒体的广泛使用导致产生了大量关于个人的信息,包括与健康有关的信息。社交媒体提供了研究特定研究可能感兴趣的选定人群的健康相关信息的机会。在本文中,我们探讨了利用社交媒体对特定人群--孕妇--进行有针对性的数据汇集和分析的可能性。我们假设我们可以使用社交媒体来识别孕妇群体,并随着时间的推移跟踪她们,以分析关键的健康相关信息。为了识别潜在的孕妇,我们采用简单的基于规则的搜索,试图以中等精度检测怀孕公告。为了进一步过滤掉误报和噪声,我们使用了一个监督分类器,使用少量的手工注释数据。然后,我们收集他们随时间推移的帖子,以创建纵向健康时间表,并试图将时间表划分为不同的妊娠期。最后,我们通过初步分析来评估时间表的有用性,以估计我们的队列在不同孕期的药物摄入模式。我们基于规则的队列识别技术在30个月内从Twitter收集了53,820名用户。我们的怀孕公告分类技术在怀孕类中实现了0.81的F测量,得到了34,895个用户时间线。对时间线的分析表明,可以从数据中挖掘出相关的健康相关信息,如药物摄入和不良反应。我们以这种方式使用用户时间表的方法产生了非常令人鼓舞的结果,并可用于其他重要任务,其中可能无法从其他来源获得健康相关信息的队列需要随着时间的推移进行跟踪,以得出基于人口的估计数。
2017-02-08 cs.CL
CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and Summarization
Michigan State University(密歇根州立大学);Dataminr, Inc.(Dataminr公司);New York University Abu Dhabi(纽约大学阿布扎比分校)
社交媒体在应急响应中发挥着越来越重要的作用:第一响应者可以使用公共帖子更好地对正在发生的危机事件做出反应,并将必要的资源部署在最需要的地方。时间轴提取和抽象摘要是利用关于事件的大量社交媒体帖子的关键技术任务。不幸的是,很少有数据集用于对这些任务的技术方法进行基准测试。本文介绍了CrisisLTLSum,迄今为止最大的本地危机事件时间表数据集。CrisisisLTLSum包含四个领域的1,000个危机事件时间表:野火,当地火灾,交通和风暴。我们使用半自动化的集群然后细化方法从公共Twitter流中收集数据来构建CrisisLTLSum。我们最初的实验表明,与人类在这两项任务上的表现相比,强基线的表现之间存在显着差距。我们的数据集、代码和模型都是公开的。
2022-10-25 cs.CL
Socially-Informed Timeline Generation for Complex Events
Cornell University(康奈尔大学)
现有的复杂事件时间轴生成系统只考虑来自传统媒体的信息,忽略了用户生成的内容所提供的丰富的社会背景,这些内容揭示了代表性的公共利益或有见地的观点。相反,我们的目标是生成包含新闻文章摘要和选定用户评论的社会信息时间表。我们提出了一个优化框架,旨在平衡文章和评论摘要之间的主题凝聚力,以及它们的信息量和事件的覆盖面。对涵盖四个复杂事件的真实世界数据集的自动评估表明,我们的系统比最先进的系统产生了更多信息的时间线。在人工评估中,相关联的评论摘要比编辑的选择和用户高度排名的评论更有见地。
2016-06-17 cs.CL
LLM-Agent-based Social Simulation for Attitude Diffusion
University of Limerick(利默里克大学)
本文提出discourse_sim框架,结合LLM与基于代理的建模,模拟公众对移民态度随时间变化的动态,通过生成社交媒体帖子和解读观点来研究态度扩散和信念演变。
2026-04-04 cs.AI stat.CO
Unsupervised Anomaly Detection of Information Operations Users via Behavioral and Language Patterns
RMIT University(皇家墨尔本理工大学);Macquarie University(麦考瑞大学)
研究针对社交媒体网络信息操作检测难题,提出无监督方法TENSOR,利用多模态数据,通过训练时间点过程捕捉异常行为模式,并引入新证据函数调整输出,在五个真实数据集上表现优于基线。
2026-07-08 cs.AI cs.LG
EventKG - the Hub of Event Knowledge on the Web - and Biographical Timeline Generation
L3S Research Center(L3S研究中心);Leibniz Universität Hannover(莱布尼茨汉诺威大学)
促进对网络、新闻和社交媒体上有关当代和历史事件的信息进行语义分析的关键要求之一是提供包含事件、实体和时间关系的全面表示的参考知识库。现有的知识图谱,流行的例子包括DBpedia,YAGO和Wikidata,主要集中在以实体为中心的信息和不足的覆盖面和完整性方面的事件和时间关系。在这篇文章中,我们解决这个限制,形式化的时间知识图谱的概念,并提出其实例- EventKG。EventKG是一个多语言的以事件为中心的时态知识图,它包含了从几个大规模知识图谱和半结构化源中获得的超过69万个事件和超过230万个时态关系,并通过规范的RDF表示使它们可用。尽管流行的实体通常在诸如EventKG的时间知识图谱内拥有数百个关系,但是为给定实体生成最重要的时间关系的简明概述是一项具有挑战性的任务。在这篇文章中,我们将展示EventKG的传记时间轴生成的应用程序,我们采用了一个远程监督的方法来确定最相关的实体传记的关系。我们的评估结果提供了见解的EventKG的特点,并证明了建议的传记时间轴生成方法的有效性。
2019-05-21 cs.CL
Storywrangler: A massive exploratorium for sociolinguistic, cultural, socioeconomic, and political timelines using Twitter
University of Vermont(佛蒙特大学)
社交媒体数据实时地强烈影响着世界事件、流行文化和数百万普通人的日常对话,其规模几乎没有被常规化和记录。至关重要的是,许多标准语料库(如书籍和新闻档案)都没有共享和评论机制,这些机制是社交媒体平台固有的,使我们能够量化社交放大(即,流行)的趋势故事情节和当代文化现象。在这里,我们描述了Storywrangler,一个自然语言处理工具,旨在从2008年到2021年对超过1000亿条tweet(包含大约1万亿1克)进行持续的日规模管理。每天,我们将推文分为一元、二元和三元,跨越100多种语言。我们跟踪n-gram的使用频率,并为单词、标签、句柄、数字、符号和表情符号生成Zipf分布。我们通过交互式时间序列查看器提供数据集,并作为可下载的时间序列和每日分发。虽然Storywrangler利用Twitter数据,但我们提取和跟踪n-gram动态变化的方法可以扩展到任何类似的社交媒体平台。我们展示了几个例子,我们的目标是使许多可能的研究途径,包括如何通过“传染图”可以可视化的社会放大。我们还提出了一些示例案例研究,将n-gram时间序列与不同的数据源连接起来,以探索名人的社会技术动态,票房成功和社会动荡。
2021-07-16 cs.CL cs.SI physics.soc-ph
Linguistic trajectories of bipolar disorder on social media
Ruhr-University Bochum (RUB)(波鸿鲁尔大学)
本研究利用社交媒体数据分析双相障碍的语言变化,发现诊断后情绪症状呈现12个月周期波动,揭示了社交媒体语言对心理健康状态的反映。
2026-03-05 cs.CL
Personality Analysis for Social Media Users using Arabic language and its Effect on Sentiment Analysis
University of Tehran(德黑兰大学)
本研究构建了包含3250名用户的阿拉伯语Twitter人格数据集AraPers,利用BERT等机器学习技术结合语言与个人资料特征预测人格特质(准确率74.86%),并证实人格特质对社交媒体情感分析有显著影响。
2024-07-22 cs.CL
Newswire versus Social Media for Disaster Response and Recovery
University of Houston(休斯顿大学);University of Tehran(德黑兰大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所(IPM))
在灾害情况下,第一反应者需要迅速获得情况意识,并根据需要、可用资源和影响确定反应的优先次序。他们能仅仅依靠Twitter这样的数字媒体,或者仅仅依靠新闻专线,或者两者的结合吗?我们在2015年尼泊尔地震的背景下研究这个问题。因为新闻专线的文章比较长,有效的摘要可以帮助节省时间,但提供关键内容。我们评估了几种无监督摘要技术在捕获关键内容方面的有效性。我们提出了一种方法来链接写的推文由公众和新闻通讯社的文章,这样我们就可以比较他们的关键特征:及时性,推文是否出现早于其相应的新闻文章,和内容。一个新颖的想法是将相关推文视为匹配新闻文章的摘要并评估这些摘要。只要有可能,我们会同时进行定量和定性评估。我们的主要发现之一是,推特和新闻专线文章提供了互补的视角,形成了对灾害情况的整体看法。
2019-06-25 cs.CL cs.IR cs.SI
Deep Temporal Modelling of Clinical Depression through Social Media Text
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
我们描述了一个模型的发展,以检测用户级的临床抑郁症的基础上,用户的时间社交媒体帖子。我们的模型使用抑郁症状检测(DSD)分类器,该分类器是在临床抑郁症状的临床医生注释的推文的最大现有样本上训练的。我们随后使用我们的DSD模型来提取临床相关特征,例如,抑郁分数及其随后的时间模式,以及用户发帖活动模式,例如,量化他们的“无活动”或“沉默”。此外,为了评估这些提取的特征的有效性,我们从两个现有的知名基准数据集创建了三种数据集,包括一个测试数据集,用于用户级抑郁检测。然后,我们提供基于单一功能,基线功能和功能消融测试的准确性措施,在几个不同级别的时间粒度。可以利用相关的数据分布和临床抑郁症检测相关的设置来绘制不同特征对我们创建的数据集的影响的全貌。最后,我们表明,在一般情况下,只有面向语义的表示模型表现良好。然而,如果训练和测试分布相似,并且用户的时间轴中有更多数据,则临床特征可以增强整体性能。其结果是,抑郁症评分的预测能力显着增加,而用于更敏感的临床抑郁症检测设置。
2023-03-30 cs.CL cs.LG
Embed2Detect: Temporally Clustered Embedded Words for Event Detection in Social Media
Birmingham City University(伯明翰城市大学)
社交媒体正在成为讨论世界各地正在发生的事情的主要媒介。因此,社交媒体平台生成的数据包含描述正在发生的事件的丰富信息。此外,与这些数据相关的及时性能够促进即时洞察。然而,考虑到社交媒体数据流中的动态性质和大量数据生产,手动过滤事件是不切实际的,因此,自动事件检测机制对社区来说是非常宝贵的。除了少数几个明显的例外,大多数以前的自动事件检测的研究只集中在统计和句法特征的数据,缺乏参与的潜在语义是重要的有效的信息检索从文本,因为他们代表的单词和它们的含义之间的连接。在本文中,我们提出了一种新的方法称为Embed 2Detect的社交媒体事件检测结合词嵌入和层次凝聚聚类的特点。词嵌入的采用使Embed 2Detect能够将强大的语义特征纳入事件检测,并克服了以前方法固有的主要限制。我们在最近两个代表体育和政治领域的真实社交媒体数据集上实验了我们的方法,并将结果与几种最先进的方法进行了比较。实验结果表明,Embed 2Detect能够有效地进行事件检测,其性能优于现有的事件检测方法。对于体育数据集,Embed 2Detect实现了比最佳基线高27%的F-测量,对于政治数据集,它增加了29%。
2021-05-25 cs.CL cs.IR
Cognitive network science for understanding online social cognitions: A brief review
University of Exeter(埃克塞特大学)
社交媒体正在将大量用户在时间线和情感内容方面的认知数字化。这些大数据为研究感知、个性和信息扩散等认知现象提供了前所未有的机会,但需要合适的可解释框架。由于社交媒体数据来自用户的头脑,因此这一挑战的有价值的候选者是认知网络,即为心理概念联想提供结构的认知模型。这项工作概述了认知网络科学如何通过在线媒体为理解认知开辟新的定量方法,例如:(i)重建用户如何使用机器学习无法获得的上下文知识在语义和情感上构建事件,(ii)通过社会话语中的知识结构研究概念突显/突出;(iii)通过帖子中的语言研究用户的个性特征,如开放性、好奇心和创造力;(iv)通过比较影响者和追随者的心态的多层网络,将认知/情感内容和社会动态联系起来。这些进步结合了认知、网络和计算机科学,以理解数字和现实世界环境中的认知机制,但在代表性、个体差异性和数据整合方面存在局限性。这些方面的讨论沿着操纵社会认知数据的伦理影响。在未来,通过网络和社交媒体阅读认知可以暴露被在线平台放大的认知偏见,并为政策制定、教育和市场提供有关大规模复杂认知趋势的相关信息。
2021-02-25 cs.CL cs.CY cs.SI
Nonparametric Bayesian Storyline Detection from Microtexts
Georgia Institute of Technology(佐治亚理工学院)
新闻事件和社交媒体由不断变化的故事情节组成,在有限的时间内吸引公众的注意力。确定故事情节需要整合时间和语言信息,以前的工作主要采用启发式方法。我们提出了一种新的在线非参数贝叶斯框架的故事情节检测,使用距离依赖的中国餐馆过程(dd-CRP)。为了确保有效的线性时间推理,我们采用了固定滞后吉布斯采样过程,这是新颖的dd-CRP。我们在TREC Twitter时间轴生成(TTG)上进行了评估,获得了令人鼓舞的结果:尽管使用了弱基线检索模型,但dd-CRP故事聚类方法与2014年TTG任务中的最佳条目相比具有竞争力。
2016-09-24 cs.CL cs.LG