LaTeX：面向疫情期间不良经历的语言模式感知触发事件检测
机器学习
2023-10-09 v1 社会与信息网络
摘要
COVID-19 大流行加剧了美国不同种族与族裔群体间的社会经济差异。尽管既往研究利用家庭脉搏调查（HPS）等传统调查方法来阐明这些差异，本文探讨了社交媒体平台在凸显并应对这些挑战中的作用。基于来自 Twitter 的实时数据，我们分析了与四类主要不良经历相关的语言模式：就业收入损失（LI）、食物短缺（FS）、住房不稳定（HI）以及心理健康服务未满足需求（UM）。我们首先构建一个稀疏优化问题，从社交媒体数据源中提取底层语言特征。其次，我们利用关于不良经历间语言模式相似性的先验知识，对特征相似性提出新颖约束。所提问题因目标非凸与惩罚非光滑而难以求解。我们基于交替方向乘子法（ADMM）框架开发了算法来求解该表述。在真实世界社交媒体及不良经历检测上的大量实验与与其他模型的对比印证了我们模型的有效性。
引用
@article{arxiv.2310.03941,
title = {LaTeX: Language Pattern-aware Triggering Event Detection for Adverse Experience during Pandemics},
author = {Kaiqun Fu and Yangxiao Bai and Weiwei Zhang and Deepthi Kolady},
journal= {arXiv preprint arXiv:2310.03941},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:1911.08684