MARC

 008250123s2024        us                              c    eng  d
■001000017162144
■00520250211151938
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382774770
■035    ▼a(MiAaPQ)AAI31301731
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aXiao,  Zhiping.
■24510▼aIdeology  Analysis  for  Social-Media  Users  via  Multi-Modal  Data  Mining
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a169  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  A.
■500    ▼aAdvisor:  Sun,  Yizhou;Porter,  Mason  A.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aAnalyzing  public  opinions  on  political  affairs  never  fails  to  attract  researchers'  attention.  One  popular  application  is  analyzing  ideologies  of  the  ordinary  citizens.  Traditionally,  researchers  collect  public  opinions  by  conducting  surveys,  interviews,  or  estimate  via  the  roll  call  data.  It  took  a  lot  of  time  to  come  to  a  conclusion,  and  it  was  also  hard  to  find  representative  objects  and  keep  the  objects'  opinions  unaffected  by  researchers  who  design  the  survey  questions.  By  using  social  media  data,  some  of  the  previously-mentioned  problems  are  mitigated  due  to  the  unprecedented  massive  scale.  However,  we  need  to  keep  in  mind  that  social  media  data  might  be  systematically  biased  in  some  other  ways.  For  instance,  those  who  never  use  social  media  could  not  be  included.In  recent  years,  social  media,  such  as  Twitter,  plays  an  increasingly  important  role  in  people's  life.  People  express  opinions,  digest  information,  and  interact  on  social  medias.  All  these  behaviors  left  massive  amount  of  observable  clues  online,  which  we  collect  as  our  data.  Centered  around  the  problems  on  political  ideology  analysis,  we  start  from  collecting  a  list  of  politicians  who  have  verified  accounts  on  Twitter.  Then  we  build  our  data  sets  from  the  Twitter  accounts  who  are  not  further  than  one  hop  away  from  the  politicians,  directly  following  or  are  followed  by  the  politicians.  Although  it  becomes  much  easier  to  collect  massive  amount  of  data  in  an  efficient  and  timely  manner,  social  media  data  bring  us  unique  challenges.  For  example:  (1)  we  need  to  deal  with  the  data  size  which  is  typically  large;  (2)  there  are  seldom  ground-truth  knowledge  on  social  media  data,  which  leads  to  the  lack  of  labels;  (3)  we  need  to  consider  how  to  deal  with  the  multi-modality  nature  of  our  data.f  we  view  each  user  account  as  a  node,  their  interactive  behaviors  could  be  modeled  as  links  in  between.  Since  they  interact  in  multiple  ways,  the  graph  structure  we  form  is  heterogeneous.  If  we  view  each  account  as  an  individual  information  source,  we  could  represent  its  feature  by  the  collection  of  tweets  it  posted  in  the  past.  If  we  consider  temporal  information  as  well,  the  whole  system  could  also  be  regarded  as  a  multi-agent  dynamic  system.  Based  on  the  observation  of  the  data,  we  have  proposed  the  following  research  problems  to  answer:(1)  Can  we  rely  solely  on  the  user  behavior  data,  represented  as  heterogeneous  types  of  links  in  the  graph  structure,  to  reveal  the  users'  ideologies? (2)  Can  we  rely  solely  on  the  text  information  from  tweets,  to  reveal  the  users'  political  polarities?(3)  By  learning  from  the  historical  data  on  social  media,  containing  text,  link,  and  temporal  information,  can  we  predict  the  future  trend?To  answer  the  first  research  problem,  we  proposed  a  model  that  successfully  uses  the  heterogeneous  types  of  relations,  called  TIMME  (Twitter  Ideology-detection  via  Multi-task  Multi-relational  Embedding).  Challenges  come  from  (1)  the  extreme  sparsity  of  the  labels,  (2)  the  incompleteness  of  the  input  features,  and  (3)  the  heterogeneous  types  of  links.  TIMME  is  overall  better  than  the  state-of-the-art  models  for  ideology  detection  on  Twitter.  In  theory,  it  could  be  extended  to  other  data  sets,  and  could  be  apply  to  tasks  other  than  ideology  detection.The  work  we've  done  to  answer  the  second  problem  resulted  in  an  embedding  approach  called  PEM  (i.e.,  Polarity-Aware  Embeddings  Using  Multi-Task  Learning).  The  ideological  divisions  in  the  United  States  have  become  increasingly  prominent  in  daily  communication,  and  a  lot  of  research  has  been  conducted.  We  propose  to  quantify  political  polarity  in  social-media  text  data  using  a  polarity-aware  method  of  learning  word  representations.  By  learning  a  word  embedding  with  an  explicit  polarity  dimension,  one  can  infer  the  polarity  of  a  post  and  therefore  of  the  social-media  account  that  produced  it.  Decomposing  a  traditional  embedding  into  a  polarity-neutral  semantic  component  and  a  polarity-aware  component  is  a  major  challenge.  Very  sparse  labels  is  another  key  challenge.  Our  experimental  results  demonstrate  that  our  model  can  successfully  learn  high-quality  polarity-aware  embeddings.The  third  research  question  is  answered  by  our  next  project,  a  social  dynamic  system  model  that  captures  the  updating  patterns  in  real-world  social  network  data  sets.  We  faced  challenges  on  both  the  data  end  and  the  model  end.  From  the  data  set,  there  is  no  existing  publicly-available  data  sets  on  real-world  social  network  observations.  From  the  model  perspective,  modeling  continuous  time  is  trickier  than  modeling  discrete  time  by  nature.  After  decided  that  we  should  consider  using  following  the  Neural-ODE  framework,  other  challenges  came  about,  such  as  the  data  size,  and  the  selection  of  an  appropriate  decoder  task.  Our  experimental  results  show  that  the  framework  we  propose  is  capable  of  learning  the  dynamic  changes  in  the  social  network  data  sets.  And  our  framework  could  also  be  used  to  verify  how  well  an  opinion  dynamic  model  captures  the  changes  of  a  specific  real-world  data  set,  under  a  given  task. 
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aWeb  studies
■653    ▼aData  mining
■653    ▼aDeep  learning
■653    ▼aIdeology  analysis
■653    ▼aMachine  learning
■653    ▼aMultimodal  datasets
■653    ▼aSocial  network
■690    ▼a0984
■690    ▼a0464
■690    ▼a0646
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g85-11A.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162144▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서