Public Perception Analysis of Tweets During the 2015 阅读笔记

2023-10-18 17:40

本文主要是介绍Public Perception Analysis of Tweets During the 2015 阅读笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目标:理解公众对于疾病爆发的态度并且证明CNN在对outbreak-related tweets 分类的优势

方法:设计了一个用于分析用户对于疾病爆发态度的综合框架,该框架分为3个维度:讨论主题,情感表达,对疫苗的态度。先利用“Measles”爬取数据,然后根据那三个维度进行标注,然后建立了一个CNN分类模型,并且在CNN模型中利用不同的embedding方法(1、Stanford GloVe embedding 2、measles-specific embedding 3、两者的结合)

结果:CNN模型好。两者的embedding结合在一起好

结论:提出的这个框架能够很好地将公众的观点和情感在不同的维度进行分类,在疾病爆发时,能够实时理解公众的反映,与传统的机器学习相比,CNN效果最好。

 

引言:首例将神经网络应用于疾病疫苗方面

 

方法

数据收集:

收集所有包含‘measles’的推特,时间段为疾病爆发对应的时间段

标注标准

标注框架包括三个维度:discussion themes, emotions expressed, and attitude toward vaccination,这三个威盾分别有细分为以下几类:

 

 

 

神经网络分类系统

数据清理

大写转换成小写,URLS全部用字符串代替 。。。。对各种字符串进行替换。对数据的预处理是基于 Stanford GloVe tweets preprocessing

 

CNN

扩展经典的CNN模型通过使用Twitter embedding and target domain Twitter embedding两者的结合,通过这两个embedding将清洁后的token映射到2个高维空间中。对于每个embedding,利用3,4,5的过滤器来产生卷积层。池化层用最大池化策略和0.5的Dropout

 

推特词向量嵌入

使用pretrained GloVe tweets embedding from Stanford来产生推特embedding,自己训练了一个特定领域的embedding,利用glove算法,在实验中测试不同的embedding维度,200维的时候取得的效果最好

 

实验

基于CNN框架,我们做了以下实验(只使用glove方法,只用measles,两者结合起来用,)为了做对比,使用了4个机器学习方法作对比,实验中也使用了双向LSTM,他的输入时glove,embedding之后的结果

 

系统评估

利用了10折交叉验证评估这些模型在分类任务上的表现

 

结果

标注标准描述

描述数据的不平衡性,以及各种推特所占的比例

卷积神经网络模型与传统模型的总体比较

CNN取得的效果较好(分别用不同维度,不同类型,不同算法进行比较)

基于3维支持向量机的卷积神经网络模型的详细比较

各种方面的比较

 

DisCussion

主要贡献

首先建立并实现了一个用于分析公众态度的框架,包括(discussion themes, emotions expressed, and attitude toward vaccination)第二。,实现了一个CNN模型用于分measles-related

重要发现

虽然说不同的模型对于不同的分类效果不同,但是CNN相比于其他的效果都要好

这篇关于Public Perception Analysis of Tweets During the 2015 阅读笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/234159

相关文章

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

忽略某些文件 —— Git 学习笔记 05

忽略某些文件 忽略某些文件 通过.gitignore文件其他规则源如何选择规则源参考资料 对于某些文件,我们不希望把它们纳入 Git 的管理,也不希望它们总出现在未跟踪文件列表。通常它们都是些自动生成的文件,比如日志文件、编译过程中创建的临时文件等。 通过.gitignore文件 假设我们要忽略 lib.a 文件,那我们可以在 lib.a 所在目录下创建一个名为 .gi

取得 Git 仓库 —— Git 学习笔记 04

取得 Git 仓库 —— Git 学习笔记 04 我认为, Git 的学习分为两大块:一是工作区、索引、本地版本库之间的交互;二是本地版本库和远程版本库之间的交互。第一块是基础,第二块是难点。 下面,我们就围绕着第一部分内容来学习,先不考虑远程仓库,只考虑本地仓库。 怎样取得项目的 Git 仓库? 有两种取得 Git 项目仓库的方法。第一种是在本地创建一个新的仓库,第二种是把其他地方的某个