TAILIEUCHUNG - Báo cáo khoa học: "Exploiting Latent Information to Predict Diffusions of Novel Topics on Social Networks"

This paper brings a marriage of two seemly unrelated topics, natural language processing (NLP) and social network analysis (SNA). We propose a new task in SNA which is to predict the diffusion of a new topic, and design a learning-based framework to solve this problem. We exploit the latent semantic information among users, topics, and social connections as features for prediction. Our framework is evaluated on real data collected from public domain. | Exploiting Latent Information to Predict Diffusions of Novel Topics on Social Networks Tsung-Ting Kuo1 San-Chuan Hung1 Wei-Shih Lin1 Nanyun Peng1 Shou-De Lin1 Wei-Fen Lin2 Graduate Institute of Networking and Multimedia National Taiwan University Taiwan 2MobiApps Corporation Taiwan d97944007@ Abstract This paper brings a marriage of two seemly unrelated topics natural language processing NLP and social network analysis SNA . We propose a new task in SNA which is to predict the diffusion of a new topic and design a learning-based framework to solve this problem. We exploit the latent semantic information among users topics and social connections as features for prediction. Our framework is evaluated on real data collected from public domain. The experiments show 16 AUC improvement over baseline methods. The source code and dataset are available at http d97944007 dif fusion 1 Background The diffusion of information on social networks has been studied for decades. Generally the proposed strategies can be categorized into two categories model-driven and data-driven. The model-driven strategies such as independent cascade model Kempe et al. 2003 rely on certain manually crafted usually intuitive models to fit the diffusion data without using diffusion history. The data-driven strategies usually utilize learning-based approaches to predict the future propagation given historical records of prediction Fei et al. 2011 Galuba et al. 2010 Petrovic et al. 2011 . Data-driven strategies usually perform better than model-driven approaches because the past diffusion behavior is used during learning Galuba et al. 2010 . Recently researchers started to exploit content information in data-driven diffusion models Fei et al. 2011 Petrovic et al. 2011 Zhu et al. 2011 . 344 However most of the data-driven approaches assume that in order to train a model and predict the future diffusion of a topic it is required to obtain historical records about how .

• Báo cáo khoa học
• Exploiting Latent Information
• Predict Diffusions of Novel Topics
• Social Networks
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball