其他您可能同意或不同意的主题：基于推文与矩阵分解的主题间偏好建模
计算与语言
2017-04-27 v1
摘要
我们在本文中呈现了建模 Twitter 用户主题间偏好的方法：例如，那些同意跨太平洋伙伴关系（TPP）的人也同意自由贸易。这类知识不仅有助于跨多个主题的立场检测，还有助于各种现实应用，包括民意调查、选举预测、选举活动和在线辩论。为了提取 Twitter 上的用户偏好，我们设计了人们同意和不同意特定主题的语言模式（例如，“A 完全错误”）。通过将这些语言模式应用于推文集合，我们提取出同意和不同意各种主题的陈述。受先前物品推荐工作的启发，我们将建模主题间偏好的任务形式化为矩阵分解：将用户偏好表示为用户-主题矩阵，并将用户和主题映射到抽象偏好的潜在特征空间。我们的实验结果表明，我们提出的方法不仅在预测用户缺失偏好方面有用，而且主题的潜在向量表示成功编码了主题间偏好。
引用
@article{arxiv.1704.07986,
title = {Other Topics You May Also Agree or Disagree: Modeling Inter-Topic Preferences using Tweets and Matrix Factorization},
author = {Akira Sasaki and Kazuaki Hanawa and Naoaki Okazaki and Kentaro Inui},
journal= {arXiv preprint arXiv:1704.07986},
year = {2017}
}
备注
To appear in ACL2017