抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ソーシャルネットワーク解析における重要課題は,話題の大規模集合に関するグラフにおける人々の位置,または姿勢を理解することである。過去の作業は,署名グラフを用いたソーシャルネットワークにおける(dis)アグレメントをモデル化してきたが,これらのアプローチは,相関トピックの範囲にわたる一致パターンをモデル化していない。例えば,1つのトピックに関する不一致は,関連するトピックスに対して,不一致(または一致)をより多くするかもしれない。各トピックに対して明確なエッジタイプを持つ署名されたソーシャルグラフにおいて,各ユーザとトピックに対する埋込みを共同学習する,Sstance Embeddings Model(SEM)を提案した。ユーザとトピック埋込みを共同学習することにより,SEMはコールドスタートトピックスタンス検出を実行でき,その関与を観測できない話題に関するユーザの姿勢を予測する。2つの大規模Twitter符号付きグラフデータセットを用いたSEMの有効性を実証した。1つのデータセット,TwitterSG,ラベル(dis)アグレメントは,主題情報,署名エッジを導出するために,ツイートを介してユーザ間の関与を用いてラベル付け(dis)アグレメントを行う。他,BirdwatchSGは,誤情報と誤った内容に関するコミュニティレポートをレバレッジする。TwitterSGとBirdwatchSGでは,SEMは,強いベースラインに対して,それぞれ39%と26%の誤差減少を示した。【JST・京大機械翻訳】