• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2nd Workshop on natural language processing for social media >Content+Context=Classification: Examining the Roles of Social Interactions and Linguist Content in Twitter User Classification
【24h】

Content+Context=Classification: Examining the Roles of Social Interactions and Linguist Content in Twitter User Classification

机译：Content + Context = Classification：检查社交互动和语言学内容在Twitter用户分类中的作用

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Twitter users demonstrate many characteristics via their online presence. Connections, community memberships, and communication patterns reveal both idiosyncratic and general properties of users. In addition, the content of tweets can be critical for distinguishing the role and importance of a user. In this work, we explore Twitter user classification using context and content cues. We construct a rich graph structure induced by hashtags and social communications in Twitter. We derive features from this graph structure-centrality, communities, and local flow of information. In addition, we perform detailed content analysis on tweets looking at offensiveness and topics. We then examine user classification and the role of feature types (context, content) and learning methods (prepositional, relational) through a series of experiments on annotated data. Our work contrasts with prior approaches in that we use relational learning and alternative, non-specialized feature sets. Our goal is to understand how both content and context are predictive of user characteristics. Experiments demonstrate that the best performance for user classification uses relational learning with varying content and context features.
机译：Twitter用户通过其在线状态展示了许多特征。连接，社区成员身份和通信模式揭示了用户的特质和常规属性。另外，推文的内容对于区分用户的角色和重要性可能至关重要。在这项工作中，我们使用上下文和内容提示探索Twitter用户分类。我们构建了一个由Twitter中的标签和社交交流引发的丰富图形结构。我们从该图结构的中心，社区和本地信息流中得出特征。此外，我们还会根据推文对攻击性和主题进行详细的内容分析。然后，我们通过对带注释的数据进行一系列实验，研究了用户分类以及要素类型（上下文，内容）和学习方法（介词，关系）的作用。我们的工作与现有方法形成对比，因为我们使用关系学习和其他非专业化的功能集。我们的目标是了解内容和上下文如何预测用户特征。实验表明，针对用户分类的最佳性能使用具有不同内容和上下文特征的关系学习。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号