Exploring Temporal （时间）Patterns of Suicidal Behavior on Twitter阅读笔记

最新推荐文章于 2023-12-19 13:36:01 发布
最新推荐文章于 2023-12-19 13:36:01 发布
阅读量161 收藏
点赞数
分类专栏： 论文笔记 机器学习 情感分析
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。
本文链接：https://blog.csdn.net/t_zht/article/details/82260767
版权

 INTRODUCTION

本文的目的是在研究自杀者关于自杀在推特上交流的时间模式

 

MATERIALS AND METHODS

数据收集和预处理

利用自杀相关的短语词汇到推特上爬取数据，然后去除停用词，爬去的数据包括，推特ID，userID, 发布时间，推特文本

发现自杀相关的主题

通过主题建模捕捉与自杀相关的语义主题的一些有趣事实，通过NFM找到。首先，利用与自杀有关的推特发现潜在的话题；第二，优化潜在主题的结构，，寻找有意义的语义

为ST_score时间序列建模

利用NMf建模所发现的热点是主题，提出了一个测量标准suicidal topic related score (STScore)，来评估相关的风险因素。

挖掘行为模式

STScore是震荡的，代表不同的行为模式，使用傅里叶级数为时间序列分析建模，很容易研究他们行为的周期模型

 

结果

自杀主题发现

经评估发现，自杀主题数目为13是最合适的，13个主题所对应的相关词论文中以表格的形式展现出来

行为模式发现

根据时间序列的模式进行人行为状态的分析

 

DISCUSSION AND IMPLICATIONS

争取发现更多的序列

TtingZh
关注
专栏目录
Limitations of MySQL Online Backup Solutions
AI天才研究院
09-16 1991
作者：禅与计算机程序设计艺术 1.简介 As the name suggests, MySQL online backup solutions aim to provide real-time backups and restore capabilities in an efficient way fo
《DeepVideoMVS：Multi-View Stereo on Video with Recurrent Spatio-Temporal Fusion》论文笔记
m_buddy的博客
03-03 878
参考代码：deep-video-mvs 1. 概述 介绍：这篇文章针对视频深度估计提出一种基于multi-view的连续深度估计方法，该方法有效利用了spatial和temporal上的特征表达，构建一个可以预测具有深度一致性的视频深度估计pipeline。 1）在spatial上的表达：其通过FPN网络从输入图像帧中抽取图像特征，之后在stride=2的特征图上通过预先计算好的相机位姿、内参和深度先验bins构建multi-view上的cost-volume； 2）在temporal上的表达：其通过在网
【网安AIGC专题】46篇前沿代码大模型论文、24篇论文阅读笔记汇总
热门推荐
定期分享我的发现和想法，感谢你的陪伴和支持
11-27 1万+
本文为邹德清教授的《网络安全专题》课堂笔记系列的文章，本次专题主题为大模型。 本系列文章不仅涵盖了46篇关于前沿代码大模型的论文，还包含了24篇深度论文阅读笔记，全面覆盖了代码生成、漏洞检测、程序修复、生成测试等多个应用方向，深刻展示了这些技术如何在网络安全领域中起到革命性作用。同时，本系列还细致地介绍了大模型技术的基础架构、增强策略、关键数据集，以及与网络安全紧密相关的模型安全问题。 本篇博客旨在整理这些宝贵的笔记，方便未来的阅读和研究，同时也希望能够对广大读者产生启发和帮助。让我们一起踏上这场网络安
Exploring the limits of language model阅读笔记
yang_daxia的博客
01-07 1502
Introduction LM可以处理很多NLP任务如机器翻译， 语音识别， 文本总结，问答系统，视频生产等，理解语义， 不仅能够编码语法结构还能提取预料上下文信息。他可以帮助提高上述任务的表现，。 N-元模型至今表现很好，但是RNN+N元表现更好，因为两者可以表达不通的语言结构。 小语料库如PTB不会出现容易出现过拟合问题，大语料库不容易出现，但是比较难扩充数据集。现代GPU的发展以及网上...
StreamPETR：Exploring Object-Centric Temporal Modeling for Efficient Multi-View 3D Object Detection
m_buddy的博客
07-10 1587
介绍：在BEV感知中时序信息融合会为下游感知任务带来不小性能提升，但是在单帧基础上引入时序信息必然会带来额外开销，因而迫切需要一种高性能且代价小的融合方案。现有的一些时序融合策略多是在BEV特征空间维度上完成的，并且对于一些DETR-based方案本身就没有显式构建BEV特征，如PETR，则BEV特征空间上的时序融合方法就不适用了。
文献阅读笔记：Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer(T5)
ljp1919的专栏
11-07 6162
0. 背景 机构：谷歌 作者： Colin Raffel 发布地方：arxiv 面向任务：自然语言理解 论文地址：https://arxiv.org/abs/1910.10683 论文代码：https://github.com/google-research/text-to-text-transfer-transformer 0.1 摘要 迁移学习已经在NLP领域大显神威，其有效性源于多元化的方法...
阅读笔记：Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
JaydeeMa的博客
11-18 2383
阅读笔记：Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义...
Exploring Simple Siamese Representation Learning阅读笔记
Malidong的博客
11-30 3985
2020年。 Xinlei Chen, Kaiming He。 Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG)。 1 动机 Siamese network是一种无监督视觉表征学习模型的常见结构。这些模型最大限度地提高了同一图像的两个放大部分之间的相似性。 Siamese network的所有输出都“崩溃”成一个常量。目前有几种防止Siamese network崩溃的策略：（1）Contrastive lea
CXL论文阅读笔记整理（持续更新）
最新发布
重新开始写博客
12-19 3277
阅读CXL相关论文，整理其目标、挑战、创新点、局限性
【LLM】吴恩达『提示工程』课程完全笔记下载
youcans的博客
05-05 9607
『ChatGPT Prompt Engineering for Developers』是 吴恩达/DeepLearning.AI 为开发者准备的提示工程课程。 本文对该课程内容的完整翻译和整理，完整 PDF 版已上传到 GitHub，详见内文。
Exploring Computation Locality of Graph Mining Algorithms on MapReduce
02-09
标题《在MapReduce上探索图挖掘算法的计算局部性》探讨了如何在分布式系统中，特别是在MapReduce编程模型下，优化图挖掘算法的计算局部性问题。局部性是指在分布式系统中，计算操作在本地计算节点内进行，而不需要与...
Exploring Effect of Location Number on Map-Based Graphical Password Authentication
02-08
基于利用巨大图像的理念，发展出了如PassMap和GeoPass这样的基于地图的图形密码，用户可以在这些巨大图像中选择自己的秘密点。 ... ...一个关键的研究问题是，随着可供选择的位置数量的增加，系统的安全性会如何变化。...
《Deep Learning for Aspect-Based Sentiment Analysis》阅读笔记
t_zht的博客
01-01 1044
一、Model 这篇文章采用两部分进行方面级情感分析，一个部分用来寻找 EA对；一个用来进行情感极性的分析 1、aspect model 两层神经网络，全连接+softmax ，最后的输出是19种方面的概率分布值。在进行实验前，先做的处理是对方面个数进行降维，对于出现频率较少的实体直接标记为other。 2、sentiment model 使用递归神经网络进行情感分析较为合适。因为现在的...
《Review Sentiment Analysis Based on Deep Learning》论文阅读笔记
t_zht的博客
12-30 634
这篇论文的本质是将多个方面的特征进行结合进行情感分析，关键点在于不同情感特征的抽取 A、词频特征 认为只有情感词会对文本的情感结果起作用，而不是每一个词都会有作用 对于某一篇文章，计算dimension长度个词的词频，这个长度可以理解为多退少补 得到了一个【1，dimension】长度的向量，利用logistic classifier作为这个层面上的激活函数 B、上下文窗口特征 认为每...
《基于多注意力卷积神经网络的特定目标情感分析》论文阅读笔记
t_zht的博客
12-09 629
结合多注意力机制的卷积神经网络 卷积神经网络能够接收平行输入的文本信息 加入词性注意力机制，能从多种特征信息关注句子的目标词和其他词语之间的联系，准确表示出每一个词在句子中的重要程度。 主要涉及到三种注意力机制（1）词向量注意力机制（2）词性注意力机制（3）位置注意力机制 使用双向扫描算法，标识不同词语在句子中的重要程度 （1）词向量注意力机制，是目标词的词向量和句子的词向量进行运算...
《Attention and Lexicon Regularized LSTM for Aspect-based Sentiment Analysis》阅读笔记
t_zht的博客
12-10 521
摘要：端到端的深度神经网络不能很容易地适应一些明显的问题，比如说，训练数据量少。注意力机制很可能过度关注句子的某一部分，无法适用性的改变注意力机制。本文加入词典信息使得模型更加鲁棒和灵活，同时研究了正则化注意力向量的作用。 intrduction: 提出一个结合词典信息和注意力机制的LSTM的模型用来进行aspect 情感分类 methodology attention-lstm 通过...
《Sentiment Analysis Based on Deep Learning Approaches》阅读笔记
t_zht的博客
12-30 486
2018 IEEE 参考意义不大 【Lexicon is further divided into dictionary based and corpus based approach which further uses semantic and statistical methods to get the sentiment polarity of the text used in the...
《一种用于基于方面情感分析的深度分层网络模型》论文阅读笔记
t_zht的博客
12-09 320
结合区域卷积神经网络和分层LSTM网络的深度分层模型来解决基于特定方面的情感极性分析问题，挖掘特定方面在整个评论的长距离依赖关系。通过词语层和句子层的分层注意力机制，更加有效的识别出句子中不同方面的情感极性 一个待分类句子在网络中的训练框架主要由以下三部分组成: (1) 区域CNN ， 按目标词分割成固定长度的不同区域，一个区域对应一个区域CNN 提取不同区域的局部特征信息 （...
Extracting psychiatric stressors for suicide from social media using deep learning 阅读笔记
t_zht的博客
08-30 251
补习一下功课：迁移学习 迁移学习：知识迁移（knowledge transfer）是一个不错的选择，即把B领域中的知识迁移到A领域中来，提高A领域分类效果，不需要花大量时间去标注A领域数据。 迁移学习领域有三个研究问题：（1）迁移什么；（2）如何迁移；（3）什么时候迁移 2、转导学习与推导学习区别 推到学习：需要先用一些样本（training set）建立一个模型，再基于建立好的模型去去预测...
Beautiful Architecture: Exploring Design Patterns in IT
通过阅读《架构之美》，读者不仅能获取到丰富的理论知识，还能了解到实践经验，从而提升自己在软件架构设计方面的专业素养。这本书对于任何想要提升架构设计能力的开发者、架构师或技术领导者来说，都是一本不可多得...
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