کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947799 1439597 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Joint user-interest and social-influence emotion prediction for individuals
ترجمه فارسی عنوان
پیش بینی احساسات مشترکی و نفوذ اجتماعی برای افراد
کلمات کلیدی
00-01، 99-00، پیش بینی احساسات، نفوذ اجتماعی، علاقه کاربری شبکه اجتماعی،
ترجمه چکیده
احساسات در زندگی روزمره نقش مهمی ایفا می کنند و پیش بینی های احساسی مهم هستند. از آنجایی که احساسات برای کاربر بسیار ذهنی هستند، ما بر روی پیش بینی احساسات افراد، به جای توده ها تمرکز می کنیم. آثار موجود در پیش بینی احساسات افراد برای تمرکز بر محتوای رسانه یا نفوذ اجتماعی تنها متکی بر پیش بینی احساسات کاربران است. در این مقاله، ما یک چارچوب پیش بینی اجتماعی هیجانی مشترک و چارچوب نفوذ اجتماعی برای افراد را طراحی می کنیم که در آن علاقه کاربری به محتوای رسانه های چند رسانه ای و تاثیر اجتماعی در روابط اجتماعی هر دو مورد در نظر گرفته شده است. برای رسیدگی به این مسئله که برای کاربران مختلف تاثیرات این دو عامل متفاوت است، یک مدل گرافیکی احتمالاتی پیشنهاد شده است تا این دو عامل را با هم ترکیب کند، که در آن مجموعه ای از پارامترها برای اندازه گیری اهمیت آنها در تأثیر دادن بر احساسات کاربر استفاده می شود و آنها از رفتارهای تاریخی کاربر یاد می شود. ما برای آزمایش الگوریتم و ارزیابی عملکرد آن، آزمایشات را با استفاده از شبکه واقعی شبکه اجتماعی انجام می دهیم. نتایج اثربخشی رویکرد ما را نشان می دهد و نشان می دهد که رویکرد ما می تواند عملکرد پیش بینی های احساسی را به طور قابل توجهی بهبود بخشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Emotions are playing significant roles in daily life, making emotion prediction important. Since emotions are highly subjective for users, we focus on emotion prediction for individuals instead of for the masses. Existing works on emotion prediction for individuals either focus on media content or social-influence alone, which are incomprehensive in predicting users' emotions. In this paper, we design a joint user-interest and social-influence emotion prediction framework for individuals, in which user-interest in multimodal media content and social-influence in social relations are both considered. To address the issue that for different users, the impacts of these two factors are different, a probabilistic graphical model is proposed to combine these two factors together, where a set of parameters are used to measure their importance in influencing the user's emotions, and they are learnt from the user's historical behaviors. We conduct experiments using real social media network to verify our algorithm and evaluate its performance. The results demonstrate the effectiveness of our approach and show that our approach can substantially improve the emotion prediction performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 230, 22 March 2017, Pages 66-76
نویسندگان
, , ,