利用神经网络从异构证据中学习个体的多面表示
社会与信息网络
2017-05-15 v4 计算与语言
摘要
推断在线用户的潜在属性是一项重要的社会计算任务，但需要整合网络上可用的许多异构信息源。我们提出使用神经网络学习人的个体表示，以整合从社交媒体收集的丰富语言和网络证据。该算法能够结合多种线索，例如一个人写的文本、他们的属性（如性别、雇主、教育、位置）以及与其他人的社会关系。我们表明，通过整合文本和网络证据，这些表示在Twitter上的社会媒体推断的四个重要任务中提供了改进的性能：预测（1）性别，（2）职业，（3）位置，以及（4）用户的友谊。我们的方法可扩展到大型数据集，并且学习到的表示可用作通用特征，并有可能惠及大量下游任务，包括链接预测、社区检测或社交网络上的概率推理。
引用
@article{arxiv.1510.05198,
title = {Learning multi-faceted representations of individuals from heterogeneous evidence using neural networks},
author = {Jiwei Li and Alan Ritter and Dan Jurafsky},
journal= {arXiv preprint arXiv:1510.05198},
year = {2017}
}