روشي براي رديابي موضع و دلايل آن در شبكه هاي اجتماعي با استفاده از روابط پست ها و نويسندگان

رديابي موضع و دلايل آن در شبكه هاي اجتماعي و به خصوص شبكه X كه طول پست هاي آن كوتاه و نويزي است چالش برانگيز است. چالش هايي كه در اين پژوهش به آنها پرداخته شده است عبارتنداز: نوشتار كوتاه و غيررسمي پست ها، استفاده از اطلاعات زمين هاي مناسب، يادگيري تكامل موضع كاربران، تطبيق مدل با تغييرات موضع و استخراج دلايل از پست ها. در اين پژوهش چارچوبي مبتني بر يك مدل تأثير براي رديابي موضع و دلايل آن در پست هاي شبكه X ارائه ميشود. مدل ارائه شده سير تكامل موضع كاربران و دلايل تغيير آن را در طول زمان استخراج كرده و خود را با سير تكامل موضع تطبيق ميدهد. حاصل اين پژوهش چارچوبي تحت A1 عنوان چارچوب دومرحلهاي اثرات-دلايل تطبيقي ( -AI phase-Two (است. در اين چارچوب تأثيرات شخصي، سايرين و تاريخي مدلسازي ميشود و سير تكامل موضع و دلايل آن همزمان مورد توجه قرار ميگيرد. تطبيق پذيري امكان يادگيري بهتر تكامل را فراهم ميكند و درنتيجه رديابي تغييرات موضع دقيق تر انجام ميشود. موضع كاربر تحت تأثي ر عوامل مختلف شكل ميگيرد و كاربر با دلايل كه در ذهن دارد موضع خود را توجيه ميكند. اثر عوامل، كوتاه مدت يا بلندمدت است و اين عوامل شامل اثر شخصي )ذهني(، اثر سايرين )روابط( و اثر تاريخي )گذر زمان( است. دلايل در متنهاي كوتاه به صورت ادعاهايي در متن نهفته اند. كاربر با استناد صريح يا ضمني به ادعا، موضعگيري ميكند. براي مدلسازي نحوه شكل گيري موضع كاربران تحت تأثير عوامل و با درنظرگرفتن دلايل، ابتدا پست هايي كه كاربر در آنها موضع منفعالنه اتخاذ كرده است تعيين ميشود. اين كار با استفاده از تشخيص ذهنيت انجام شده و اين پست ها كنار گذاشته ميشوند. در مرحله بعد از يك مدل اثرات- دلايل استفاده ميشود. از پست هاي باقيمانده سير تكامل موضع كاربر استخراج ميشود و مدل با تغييرات تطبيق مييابد. تطبيق، موجب ميشود كه مدل با تغييرات سازگاري پيدا كرده و در مواجهه با داده هاي جديد كارايي آن حفظ شود. ادعاها نقش عوامل خارجي را دارند و در دسته بندي نهايي موضع به كار ميروند. براي كشف ادعاهاي نهفته در متن از 3-GPT استفاده ميشود. نتايج تجربي نشان ميدهد كه چارچوب پيشنهادي به عنوان اولين چارچوب اثرات-دلايل تطبيقي در تشخيص موضع، به بالاترين نمره 59/80=Favg در مجموعه داده محك 6A Task 2016-Semeva‎l دست پيدا كرده است كه 2 درصد بهبودي افته است. همچنين بر دو مجموعه داده ديگر 19-COVID و BREXIT-TW نيز به ترتيب به 10/85=Favg و 86/73=Favg دست پيدا كرده است كه 83/3 و 18/8 درصد بهبود را نشان ميدهد.

1403/02/12

همدم نوروزي

stance tracking , time-dependent stance analysis , social media , time-dependent text mining , argument classification

A method for tracking stance and its reasons in social media using relations of posts and authors

مهندسي نرم افزار

Tracking the stance and its reasons is a challenging task in social networks, especially Twitter, whose posts are short and noisy. The challenges that have been addressed in this research are: short and informal writing of posts, using appropriate background information, learning the evolution of users' stance, adapting the model to stance changes and extracting reasons from posts. In this research, a framework based on an influence model is presented to track the position and its reasons in Twitter posts. The presented model extracts the evolution of the stance of users and the reasons for its change over time and adapts itself to the evolution of stances. The result of this research is a framework called Two-phase AI-A framework. In this framework, personal, other and historical influences are modeled and the evolution of the stance and its reasons are considered simultaneously. Adaptability allows for better learning of evolution and as a result tracking of stance changes is done more precisely. The user's stance is formed under the influence of various factors, and the user justifies his stance with the reasons he has in mind. The influence of factors is short-term or long-term. These factors include personal influence (mental), effect of others (relationships) and historical effect (passage of time). The reason lies in the short text in the form of a claim. The user takes a stance by explicitly or implicitly referring to the claim. In order to model how the stance of users is formed under the influence of factors and considering the reasons, first the posts in which the user has taken a passive position are determined. This is done using subjectivity detection and posts are discarded. In the next step, an influences-arguments model is used. From the remaining posts, the evolution of the user's stance is extracted and the model adapts to the changes. Adaptation makes the model adjust to changes and maintain its efficiency in the face of new data. Claims play the role of external factors and are used in the final classification of the position. GPT-3 is used to discover hidden claims in the text. The experimental results show that the proposed framework, as the first adaptive influencesarguments framework, has achieved the state-of-the-art Favg=59.80 in the Semeva‎l-2016 Task 6A benchmark dataset, which is improved by 2 percent. Also, in two other datasets, namely, COVID-19 and TW-BREXIT, it obtained Favg=85.10 and Favg=86.73, respectively, which shows an improvement of 3.83 and 8.18 percent.

6

احمد براآني دستجردي