#One paper per week# Anger Is More Influential than Joy: Sentiment Correlation in Weibo

最新推荐文章于 2023-02-21 14:21:34 发布
原创 最新推荐文章于 2023-02-21 14:21:34 发布 · 1.3k 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#One paper per week
本文介绍了一篇研究论文，探讨了微博上情绪传播的特点，发现愤怒情绪比快乐更容易在网络上传播。通过对2010年底至2011年初约7000万条微博数据的情感分析，采用贝叶斯分类器将情绪分为四类，并利用皮尔逊和斯皮尔曼相关系数分析了情绪间的传播关系。

论文题目：Anger Is More Influential than Joy: Sentiment Correlation in Weibo

论文地址：http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0110184#pone-0110184-g007


作为我的第一篇认真看完的论文，这短短的8页纸，可谓花了不少时间。首先是单词的问题，论文里面有不少的专业词汇，让我几乎要每读一句话就要查一次词典。其次是知识的匮乏，太多的原理，式子，分析方法都是自己以前完全没见过的。不过，读完后，确实是学到了不少作者们的amazing ideas。


回归正文：

正如题目所说的，这篇文章就是在大家的微博中发现一个有趣的观点：愤怒比高兴容易在网络传播。

1、作者通过抓取2010年12月到2011年2月的weibo，大概有7000万条，作为原始数据。

2、接下来需要对weibo进行情感分类，可以用LIWC( Linguistic Inquiry and Word Count )来进行emotion classfication，但由于LIWC只能区分positive和negative，所以作者自己找出并使用了50个常见情感词来建立一个贝叶斯分类器，最后把情感分为了4类：anger, joy, disgust, sadness。

3、使用了pearson correlation以及spearman correlation来处理情感传递的关系。结果发现anger的相互关系程度更大一些，所以得出题目的结论。


另外，该作者团队还上线了一个“心情搜索”的应用，网址是：http://xinqings.nlsde.buaa.edu.cn/index.php


以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！

顿悟- -
寻找......
10-15 1156
1、建筑师 　　一位夫人打电话给建筑师，说每当火车经过时，她的睡床就会摇动。 　　“这简直是无稽之谈！”建筑师回答说，“我来看看。” 　　建筑师到达后，夫人建议他躺在床上，体会一下火车经过时的感觉。 　　建筑师刚上床躺下，夫人的丈夫就回来了。他见此情形，便厉声喝问：“你躺在我妻子的床上干什么？” 　　建筑师战战兢兢地回答：“我说是在等火车，你会相信吗？” 　　【顿悟】 　　有些话是真的，却听上去很
#Paper Reading# Curriculum Learning
John159151的专栏
02-18 6638
论文大体内容： 本文考虑到人的学习，学的是经过组织的知识，才能学习得更快。那么对应到机器学习，是否能够通过改变学习的顺序（对知识进行简单的组织），提升机器学习的效果呢？本文经过实验，发现这确实是一个可行的思路，改变学习的顺序，能对学习的速度和质量进行提升。
#Paper Reading# Learning a Deep Listwise Context Model for Ranking Refinement
John159151的专栏
06-20 4056
论文题目: Learning a Deep Listwise Context Model for Ranking Refinement 论文地址: https://dl.acm.org/citation.cfm?id=3209985 论文发表于: SIGIR 2018（CCF A类会议） 论文大体内容： 本文主要提出了一个Rerank模型——Deep Listwise Context Model...
#Paper Reading# Training language models to follow instructions with human feedback
John159151的专栏
02-21 3311
论文大体内容 本文主要提出了GPT-3.5（InstructGPT）模型，通过使用人类反馈的数据集进行监督学习（RLHF，即reinforcement learning from human feedback），对GPT模型进行Fine-tune，来达到预期效果。
#Paper Reading# Self-supervised Learning for Large-scale Item Recommendations
John159151的专栏
12-23 2975
本文主要提出了SSL（Self-supervised Learning）框架，采用对比学习（Contrastive Learning）的方式用于推荐中召回模型的训练，使模型取得更好的效果。
#Paper Reading# Toward an Architecture for Never-Ending Language Learning
John159151的专栏
12-11 2890
论文大体内容： 本文构建出一个NELL（never-ending language learner）的framework，主要能够从web中永不停地抽取信息，构建Knowledge base，然后使用知识不断提升之后task的效果。最后经过67天的实验，NELL抽取出了242000+个beliefs，准确率是74%。
#Paper Reading# "Why Should I Trust You?" Explaining the Predictions of Any Classifier
John159151的专栏
07-01 2816
论文题目: "Why Should I Trust You?" Explaining the Predictions of Any Classifier 论文地址: https://dl.acm.org/citation.cfm?Id=2939778 论文发表于: KDD 2016（CCF A类会议） 论文大体内容： 本文主要提出了LIME（Local Interpretable Model-a...
#Paper Reading# SummaRuNNer: A RNN based Sequence Model for Extractive Summarization of Documents
John159151的专栏
04-24 2160
论文大体内容： 这篇文章提出了一个基于GRU-RNN的模型，来完成抽取式自动文本摘要任务。通过与其它state-of-the-art的结果相比，发现这种方法能够达到更好的效果。
#Paper Reading# ELLA: An Efficient Lifelong Learning Algorithm
John159151的专栏
12-05 2141
论文大体内容： 本文提出一种高效的Lifelong Learning算法，主要包括Knowledge Base（sparsely shared basis），使用Knowledge Base进行transfer learning，更新Knowledge Base等操作。最终的效果跟 batch multi-task learning（GO-MTL[1]）基本一样，但是速度上快了3个数量级（1000多倍）。
#Paper Reading# TabNet: Attentive Interpretable Tabular Learning
John159151的专栏
06-11 2098
论文题目: TabNet: Attentive Interpretable Tabular Learning 论文地址: https://arxiv.org/abs/1908.07442 论文发表于: arXiv 2019 论文大体内容： 本文主要提出了TabNet模型，能够高效地在tabular数据上完成分类/回归的任务，且具可解释性。本文提出的模型是用DNN的方式获得树模型的可解释性，且超越树模型的效果。 Motivation： tabular数据一般都使用树模型去处理，怎么用DNN去实现树模型的效
#Paper Reading# Neural Extractive Summarization with Side Information
John159151的专栏
05-08 2006
论文大体内容： 这篇通过增加side information（title, image caption）到单文档抽取式自动文本摘要中，使用层次式的document encoder和attention-based extractor的方法，在覆盖的信息量以及流畅性上面比没加side information的方式有了明显的提升。
#Paper Reading# Bag of Tricks for Efficient Text Classification
John159151的专栏
07-10 2003
论文题目：Bag of Tricks for Efficient Text Classification 论文地址：https://arxiv.org/pdf/1607.01759v2.pdf 论文大体内容： 这是Word2Vec的作者Mikolov在文本分类上的新作，作者提出了fastText的文本分类器，主要特点就是fast（快好几个数量级），而且与使用深度学习跑好久所训练出的模型的
#Paper Reading# X-means：Extending K-means with Efficient Estimation of the Number of Clusters
John159151的专栏
12-30 1982
论文题目：X-means：Extending K-means with Efficient Estimation of the Number of Clusters 论文地址：http://cs.uef.fi/~zhao/Courses/Clustering2012/Xmeans.pdf 论文大体内容： 针对K-means的一些缺点，本文提出了K-means的拓展版——X-means聚类
#Paper Reading# Dual Learning for Machine Translation
John159151的专栏
12-22 1966
论文大体内容： NMT（neural machine translation）机器翻译模型所需标注的训练数据量特别大的问题，但大量的人工标注的训练数据往往意味着大量的花费，因此本文针对这一问题，提出一个对偶模型，dual-NMT，能够使用unlabel的数据也能达到一个很好的效果。
#Paper Reading# The Link Prediction Problem for Social Networks
John159151的专栏
08-18 1958
论文题目：The Link Prediction Problem for Social Networks 论文地址：http://dl.acm.org/citation.cfm?id=956972 论文主要内容： 本文根据一个时间点t0的社交网络（social network），使用多种方法对社交网络的用户联系发展进行分析，探寻预测在未来的时间点t1这个社交网络用户之间联系的增加情况
#Paper Reading# Implicit Neural Representations with Periodic Activation Functions
John159151的专栏
06-24 1863
论文题目: Implicit Neural Representations with Periodic Activation Functions 论文地址: https://arxiv.org/abs/2006.09661 论文发表于: arXiv 2020 论文大体内容： 本文主要提出使用sin来做激活函数，并且在特定任务上比relu好。 Motivation： 如何更好的处理复杂信号（如音频、图像、3D）是一个问题。 Contribution： ①本文提出使用周期激活函数来处理复杂信号（音频、图像
wordFunney大更新的文字恐怖游戏 python开发
最新发布
06-23
我做了一个wordFunney的文字冒险游戏，大版本更新资源，免费拿去
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值