基于深度学习的社交媒体灾害信息分类研究
这是一篇关于深度学习,社交媒体,自监督学习,多模态融合的论文, 主要内容为社交媒体数据具有传播快、覆盖广、成本低等特点,已经成为灾害应急响应工作的重要信息源,有效弥补了传统信息收集方式的滞后性。然而,社交媒体信息还存在海量、嘈杂等特点,如何自动高效地对其内容分类帮助应急响应工作人员开展救援工作是研究重点。本文旨在使用深度学习方法完成社交媒体数据灾害相关性分类任务和人道主义救援类别分类任务,具体包含以下三个部分:(1)基于自监督学习的灾害图片分类研究。本文提出了Res2Net-Transformer混合模型用于图片分类任务,其中Res2Net模块使用Mo Co自监督学习的方法在多个社交媒体灾害数据集上联合训练,充分利用标注任务和标准不统一的灾害数据集,提高模型的表征能力。引入Transformer结构提高模型对图像全局信息的感知能力。实验表明,该模型在灾害数据集的不同分类任务中,与基准模型相比,准确率都得到了较大提高。(2)基于多模态的社交媒体灾害信息分类研究。本文提出了一个多模态灾害数据融合分类模型,该模型使用Res2Net-Transformer和BERT模型分别提取图像和文本特征,随后使用交叉注意力和自注意力机制完成模态间和模态内的信息融合,有效利用不同模态的信息互补与增强的特性。实验证明,该模型在多模态灾害数据集的分类任务中具有优越的性能。(3)社交媒体灾害信息处理原型系统的设计与实现。本文整合了上述两个研究内容,构建了灾害信息处理原型系统,该系统采用B/S架构,完成了页面展示模块、信息管理模块、数据管理模块、模型管理模块和设备管理模块五大功能模块,实现了灾害期间的社交媒体信息分类的功能。
面向社交媒体文本的汉越跨语言对象级情感分析方法研究
这是一篇关于社交媒体,跨语言,观点对象,对象级情感分析,特征迁移的论文, 主要内容为随着互联网的迅速发展,对相同事件下汉越社交媒体数据中的关注对象进行识别、对齐并针对相应对象进行情感分析,能够把握两国舆情动态从而进一步开展关于热点事件分析、监测和预警任务。面向社交媒体文本的汉越跨语言对象级情感分析,存在越南语标注数据稀缺,观点对象难以表征,情感表征映射难以对齐,评论特征学习不充分等研究问题,值得深入研究。本文研究面向社交媒体文本的汉越跨语言对象级情感分析方法,主要从以下几个方面开展研究:(1)汉越跨语言对象级情感分析数据集构建:由于缺乏公开的汉越跨语言对象级情感分析语料,本文构建了汉越跨语言对象级情感分析数据集。首先从不同社交媒体平台,如新浪微博和推特中采集到热点事件相关的社交媒体评论数据。其次,根据汉越跨语言观点对象识别任务和汉越跨语言情感分类任务的不同需求进行数据标注,构建出汉越跨语言对象级情感分析数据集,为后面的研究提供数据支撑。(2)基于图神经网络的汉越跨语言观点对象识别方法:任务旨在围绕相同事件下汉越评论中的观点对象进行识别和对齐,现有的研究方法应用存在越南语标注数据稀缺,跨语言评论关联复杂,观点对象表征比较困难等问题。考虑到在讨论相同事件时,汉越评论之间存在相同的观点对象,利用图结构能够解决关联关系复杂的问题,通过节点之间的信息传递加强对汉越观点对象的表征学习。因此本文提出了一种基于图神经网络的汉越跨语言观点对象识别方法。通过构建包括汉越评论和关键词的异构图,有效地建模汉越评论中的复杂关联关系,利用图结构来实现邻域信息聚合和评论节点更新,在汉越跨语言观点对象分类数据集上进行实验,结果表明提出的方法相较于基准方法性能有明显提升。(3)融入观点对象特征的汉越跨语言情感分类模型:任务旨在针对汉越评论中的观点对象进行情感倾向性分析,现有模型难以解决情感表征学习不充分,汉越跨语言情感表征映射不准确的问题。考虑到观点对象信息对加强情感表征学习,减小语言差异的作用,考虑将观点对象特征与评论特征进行融合,利用对抗的思想缩小汉越情感特征的差异。提出一种融入观点对象特征的汉越跨语言评论情感分类模型,通过门控机制将观点对象表征与语义表征进行融合编码,并利用对抗学习使模型学习到语言分布差异最小的表征,最终通过中文评论标签训练模型分类器完成情感分类任务。实验结果表明本文模型能更快拟合出语言分布差异,得到更加丰富的情感表征,实验结果对比基线模型都有明显提高。(4)汉越社交媒体评论观点对象分析原型系统:基于上述相关理论研究,本文设计并提出一个汉越跨语言对象级情感分析原型系统,该系统采用Vue框架进行开发搭建,通过element-plus进行设计,系统利用Flask将模型转换为可供调用的API接口整合到系统中,该系统集成了汉越社交媒体评论数据采集、汉越社交媒体评论观点对象识别和汉越社交媒体评论情感分类等功能,为相关用户提供可视化的对象级情感分析平台。
社交媒体数据采集与事实核查系统的设计与实现
这是一篇关于社交媒体,BERT模型,事实核查,数据采集的论文, 主要内容为随着互联网的高速发展,其在方便了我们的生活的同时,也造成大量虚假信息在社交媒体上的高速传播。面对社交媒体上海量的信息,如何自动识别出其中的虚假内容是近年来的热门研究方向。本文主要聚焦于事实核查领域研究,与一般的谣言检测工作不同,事实核查工作更强调具体的证据和可解释性,即需要通过证据文章、知识库或知识图谱等证据信息来判断一条声明的真伪。本文的核心目标就是设计并实现一个自动化事实核查系统。系统会主动发现社交媒体中有核查价值的推文,然后收集与推文中需核查的声明相关的网页文章作为辅助证据,再依据证据对声明进行核查分析,来判断出该声明是否是虚假信息。系统用于辅助辟谣网站工作人员进行事实核查工作。本文在算法分析方面的研究主要有两点:一是分析某条推文是否具有核查价值。在该研究中,本文先构建了中文推文核查价值数据集,然后于此数据集基础上,基于BERT模型结合下游文本分类模型进行了模型构建工作。二是对有核查价值的推文,基于网络证据进行核查分析预测,判断该推文中声明的真伪。在该研究中,考虑到真实环境中证据文章的冗余信息繁多,故需要尤其关注证据选择环节,因此模型构建为联合证据选择任务和声明验证分类任务的联合模型架构,从而促进在真实环境下对证据信息的有效提取。在系统设计与实现方面,本系统应用需组织数据采集,数据分析,数据展示,数据存储等多环节互相交互。在具体研究中,本文从系统需求分析出发,分别进行了功能性与非功能性需求分析。之后依据需求分析结果,再进行体系结构设计工作,明确系统架构设计、功能设计、模块概要设计和数据存储设计。最后依据设计方案,进行各模块的具体实现。系统最终经过软件测试后,完成在真实环境中部署上线。目前系统各功能服务正常,运行情况良好。
社交媒体评论对消费者创新产品采纳意愿的影响研究——以折叠屏手机为例
这是一篇关于在线评论,创新采纳,折叠屏手机,社交媒体,文本分析,实验研究的论文, 主要内容为随着网络的普及和社交媒体平台的迅速崛起,在线评论有了新的来源和传播渠道,社交媒体平台内的产品评论作为电子口碑的重要表现形式,逐渐受到消费者的关注。已有研究表明,消费者通常会在做出购买决策前查看社交媒体上的产品信息和用户评论。其中,作为企业重要产品类别的创新产品,往往存在着价格高、消费者认知程度低、未实现大规模扩散等特点,这使得消费者更有可能在网络上找寻相关产品信息。因此,社交媒体评论对创新产品的影响值得受到关注。以往学者关于产品评论对消费者行为影响的研究虽然很多,但多集中于电子商务平台,研究产品评论对消费者产品态度或购买意愿的影响;同时,以往研究对于创新采纳和信息采纳的研究相对独立、交集较少,鲜有研究将其纳入同一个理论框架中考虑,故评论相关信息如何对创新采纳产生影响有待进一步研究。社交媒体评论对企业产品设计和营销影响深远,折叠屏手机的消费者需求和态度需进一步明确。因此,有必要探讨社交媒体平台评论对消费者创新产品采纳意愿的影响及其发挥作用的机制,对创新产品的采纳和扩散进行更有针对性的研究。折叠屏手机作为手机外观和功能产生重大变化的产品,正逐步向新市场进行转移与扩张,因此,结合创新产品的概念,本文选择折叠屏手机作为创新产品的代表,并以折叠屏手机为例研究社交媒体产品评论如何对消费者创新产品采纳意愿产生影响。本研究结合创新采纳和信息采纳相关理论,对现实社交媒体平台评论进行文本分析(词频分析和情感分析),获取评论内容特征和评论来源特征,构建社交媒体产品评论对消费者创新产品采纳意愿的影响模型。实证研究采用情景实验方法,模拟现实的社交媒体平台评论和用户主页进行变量操纵,采用2(评论质量:高评论质量/低评论质量)×2(评论效价:效价正向/效价负向)×2(评论发布者专业性:高评论发布者专业性/低评论发布者专业性)的组间设计,对被试者进行情景实验。实验结果表明:(1)社交媒体平台评论的评论质量、评论效价和评论发布者专业性均能显著影响消费者创新产品采纳意愿。(2)正向评论中,评论质量以感知有用性和感知可信度为中介显著影响消费者创新产品采纳意愿。(3)正向评论中,评论发布者专业性以感知有用性为中介显著影响消费者创新产品采纳意愿。(4)评论效价以感知风险为中介显著影响消费者创新产品采纳意愿。(5)消费者创新性这一个人特征显著影响消费者创新产品采纳意愿。本研究的结论可以帮助企业进一步了解提升产品评论影响的途径,尤其是在社交媒体的情境下。具体来讲,本研究可以为企业如何在有限的资源条件下,进行更高效、更经济的创新产品评论管理与营销提供依据。尤其是,针对折叠屏手机这类创新产品,本文得出的相关结论,对有关企业更好地理解市场及用户需求变化、识别消费者的创新采纳意愿、把握用户需求的痒点与痛点、有针对性地进行社交媒体网络营销和宣传推广,有一定的实践指导意义。
面向社交媒体文本的汉越跨语言对象级情感分析方法研究
这是一篇关于社交媒体,跨语言,观点对象,对象级情感分析,特征迁移的论文, 主要内容为随着互联网的迅速发展,对相同事件下汉越社交媒体数据中的关注对象进行识别、对齐并针对相应对象进行情感分析,能够把握两国舆情动态从而进一步开展关于热点事件分析、监测和预警任务。面向社交媒体文本的汉越跨语言对象级情感分析,存在越南语标注数据稀缺,观点对象难以表征,情感表征映射难以对齐,评论特征学习不充分等研究问题,值得深入研究。本文研究面向社交媒体文本的汉越跨语言对象级情感分析方法,主要从以下几个方面开展研究:(1)汉越跨语言对象级情感分析数据集构建:由于缺乏公开的汉越跨语言对象级情感分析语料,本文构建了汉越跨语言对象级情感分析数据集。首先从不同社交媒体平台,如新浪微博和推特中采集到热点事件相关的社交媒体评论数据。其次,根据汉越跨语言观点对象识别任务和汉越跨语言情感分类任务的不同需求进行数据标注,构建出汉越跨语言对象级情感分析数据集,为后面的研究提供数据支撑。(2)基于图神经网络的汉越跨语言观点对象识别方法:任务旨在围绕相同事件下汉越评论中的观点对象进行识别和对齐,现有的研究方法应用存在越南语标注数据稀缺,跨语言评论关联复杂,观点对象表征比较困难等问题。考虑到在讨论相同事件时,汉越评论之间存在相同的观点对象,利用图结构能够解决关联关系复杂的问题,通过节点之间的信息传递加强对汉越观点对象的表征学习。因此本文提出了一种基于图神经网络的汉越跨语言观点对象识别方法。通过构建包括汉越评论和关键词的异构图,有效地建模汉越评论中的复杂关联关系,利用图结构来实现邻域信息聚合和评论节点更新,在汉越跨语言观点对象分类数据集上进行实验,结果表明提出的方法相较于基准方法性能有明显提升。(3)融入观点对象特征的汉越跨语言情感分类模型:任务旨在针对汉越评论中的观点对象进行情感倾向性分析,现有模型难以解决情感表征学习不充分,汉越跨语言情感表征映射不准确的问题。考虑到观点对象信息对加强情感表征学习,减小语言差异的作用,考虑将观点对象特征与评论特征进行融合,利用对抗的思想缩小汉越情感特征的差异。提出一种融入观点对象特征的汉越跨语言评论情感分类模型,通过门控机制将观点对象表征与语义表征进行融合编码,并利用对抗学习使模型学习到语言分布差异最小的表征,最终通过中文评论标签训练模型分类器完成情感分类任务。实验结果表明本文模型能更快拟合出语言分布差异,得到更加丰富的情感表征,实验结果对比基线模型都有明显提高。(4)汉越社交媒体评论观点对象分析原型系统:基于上述相关理论研究,本文设计并提出一个汉越跨语言对象级情感分析原型系统,该系统采用Vue框架进行开发搭建,通过element-plus进行设计,系统利用Flask将模型转换为可供调用的API接口整合到系统中,该系统集成了汉越社交媒体评论数据采集、汉越社交媒体评论观点对象识别和汉越社交媒体评论情感分类等功能,为相关用户提供可视化的对象级情感分析平台。
亚马逊卖家推广引流方式及策略研究
这是一篇关于推广引流,亚马逊卖家,站内广告,社交媒体的论文, 主要内容为2015年后,为了寻求更加广阔的市场,中国卖家相继选择在亚马逊平台上开店,有些卖家凭此顺利走出国门,有些卖家却很快消逝了。2020年亚马逊更是封号了大量的中国卖家。究其原因,是由于中国卖家在经营过程中,不能够正确的运用推广引流。因此,本文对亚马逊卖家的推广引流方式及策略展开研究。本文分别从亚马逊平台的角度与亚马逊卖家的角度对推广引流方式进行了具体的介绍,包括站内的关键词、评论、商品推广广告、品牌推广广告及展示广告,站外的社交媒体平台、独立站、Deal平台、线下门店等。其次,通过对具有行业代表性的Bushnell进行案例分析,得出跨境电商平台卖家Bushnell在站内尤为注重关键词的选择以及评论体系的建设,并且关注站内广告使用的启示,在社交媒体平台上,Bushnell更加关注Facebook,从主页及群组入手,进行现有客户关系的维护与潜在客户的发掘。更是将独立站定位为品牌转型的机遇,意识到其发展是长期性的,需要持续的跟进与关注。再者,从商品的购买者入手,从消费者的视角出发,通过发布问卷的形式了解消费者的购买偏好及对于推广引流方式的重视程度,指出消费者的购买渠道不仅仅限于亚马逊品牌官网、独立站,也热衷于亚马逊零售商、社交媒体、沃尔玛等。在亚马逊平台购买时,受到亚马逊站内广告影响的程度高,并且在尤为注重产品的评价。社交媒体平台在消费者的角度更是作为一种了解自己所感兴趣事件的平台而不是深入了解的品牌以及产品的渠道。最后,结合着具有代表性的亚马逊卖家与消费者的调查给出了以下优化策略:在跨境电商推广引流中,卖家应该加强对亚马逊规则的研究、注重站内外引流关联性、探索本土化多元化的推广引流方式。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码客栈 ，原文地址：https://bishedaima.com/lunwen/47992.html
