Natural Language Processing and Chinese Computing
13th National CCF Conference, NLPCC 2024, Hangzhou, China, November 1–3, 2024, Proceedings, Part IV
- 2025
- Buch
- Herausgegeben von
- Derek F. Wong
- Zhongyu Wei
- Muyun Yang
- Buchreihe
- Lecture Notes in Computer Science
- Verlag
- Springer Nature Singapore
Über dieses Buch
Der fünfbändige Satz LNCS 15359 - 15363 ist das Referat der 13. Nationalen CCF-Konferenz zur Verarbeitung natürlicher Sprache und Chinesisches Rechnen, NLPCC 2024, die im November 2024 in Hangzhou, China, stattfand. Die 161 vollständigen Beiträge und 33 Workshoparbeiten zur Evaluierung, die in diesem Verfahren enthalten waren, wurden sorgfältig geprüft und aus 451 Einreichungen ausgewählt. Sie befassen sich mit den folgenden Bereichen: Grundlagen der NLP; Informationsextraktion und Wissensdiagramme; Informationsgewinnung, Dialogsysteme und Fragen beantworten; große Sprachmodelle und -agenten; maschinelles Lernen für NLP; maschinelle Übersetzung und Mehrsprachigkeit; Multimodalität und Erklärbarkeit; NLP-Anwendungen und Text-Mining; Sentiment Analysis, Argumentation Mining und Social Media; Zusammenfassung und Generierung.
Mit KI übersetzt
Über dieses Buch
The five-volume set LNCS 15359 - 15363 constitutes the refereed proceedings of the 13th National CCF Conference on Natural Language Processing and Chinese Computing, NLPCC 2024, held in Hangzhou, China, during November 2024.
The 161 full papers and 33 evaluation workshop papers included in these proceedings were carefully reviewed and selected from 451 submissions. They deal with the following areas: Fundamentals of NLP; Information Extraction and Knowledge Graph; Information Retrieval, Dialogue Systems, and Question Answering; Large Language Models and Agents; Machine Learning for NLP; Machine Translation and Multilinguality; Multi-modality and Explainability; NLP Applications and Text Mining; Sentiment Analysis, Argumentation Mining, and Social Media; Summarization and Generation.
Anzeige
Inhaltsverzeichnis
-
Sentiment Analysis/Argumentation Mining/Social Media
-
Frontmatter
-
Resolving Unseen Rumors with Retrieval-Augmented Large Language Models
Lei Chen, Zhongyu WeiDas Kapitel geht den Herausforderungen bei der Lösung unsichtbarer Gerüchte in den sozialen Medien nach und beleuchtet die Beschränkungen aktueller Encoder-basierter Modelle und das Potenzial von Large Language Models (LLMs). Es führt einen erweiterten Retrieval-Workflow ein, der historisches Wissen und kollektive Intelligenz integriert, um die Genauigkeit der Erkennung von Gerüchten zu verbessern. Der Workflow ist darauf ausgelegt, LLMs bei der effektiven Nutzung ergänzender Informationen und der Bereitstellung rationaler, diskriminierender Ergebnisse zu leiten. Empirische Studien belegen die Effektivität dieses Ansatzes und zeigen signifikante Verbesserungen bei der Gerüchteauflösung im Vergleich zu herkömmlichen Methoden. Das Kapitel schließt mit der Diskussion zukünftiger Anweisungen zur Verbesserung der Fähigkeiten von LLMs bei der Lösung von Gerüchten.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractSocial media has become the primary source of information for individuals, yet much of this information remains unverified. The rise of generative artificial intelligence has further accelerated the creation of unverified content. Adaptive rumor resolution systems are imperative for maintaining information integrity and public trust. Traditional methods have relied on encoder-based frameworks to enhance rumor representation and propagation characteristics. However, these models are often small in scale and lack generalizability for unforeseen events. Recent advances in Large Language Models show promise but are unreliable in discerning truth from falsehood. Our work leverages LLMs by creating a testbed for predicting unprecedented rumors and designing a retrieval-augmented framework that integrates historical knowledge and collective intelligence. Experiments on two real-world datasets demonstrate the effectiveness of our proposed framework. -
Hate Speech Detection for the Power Domain
Qingbao Huang, Zehua Deng, Shizhen Chen, Yifei Chen, Feng ShuangDas Kapitel vertieft sich in das drängende Problem der Hassreden im Machtbereich und betont die Notwendigkeit effektiver Erkennungsmechanismen, um sozialen Schaden abzumildern. Es stellt einen einzigartigen Datensatz mit 6.000 Weibo-Beiträgen im Zusammenhang mit der Energiewirtschaft vor und schlägt das ProPh-Modell vor, das schnelle Lernprozesse und Bildunterschriften nutzt, um Hassreden präzise zu identifizieren. Die überlegene Leistung des Modells wird durch umfangreiche Experimente unter Beweis gestellt und zeigt sein Potenzial, die Sicherheit und Stabilität des Energiesystems und der Gesellschaft insgesamt deutlich zu verbessern.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe professional nature and confidentiality of the power domain hinder the public to accurately assess the authenticity of online electricity-related statements, fostering an environment conducive to the spread of electricity-related hate speech on social media. To address this challenge, we introduce a new hate speech detection task for the electric power domain. A dataset for electric power domain hate speech detection is constructed, consisting of 6000 electricity-related Weibo posts. We propose a prompt learning approach for hate speech detection in the electric power domain, which integrates power domain knowledge, such as work scenarios and terms. Subsequently, a prompt template is formulated to facilitate hate speech detection. Experimental results on the dataset indicate that the proposed prompt learning method surpasses the baseline model. -
ValueCSV: Evaluating Core Socialist Values Understanding in Large Language Models
Yuemei Xu, Ling Hu, Zihan QiuDas Kapitel "ValueCSV: Evaluating Core Socialist Values Understanding in Large Language Models" befasst sich mit der entscheidenden Notwendigkeit, Large Language Models (LLMs) an menschlichen Werten auszurichten, insbesondere im chinesischen Kontext. Er führt das ValueCSV-Rahmenwerk ein, das das Verständnis und die Ausrichtung der LLMs an den 12 Dimensionen der Sozialistischen Kernwerte (CSV) bewertet. Das Rahmenwerk umfasst einen umfassenden Annotationsdatensatz, einen ausgebildeten CSV-Evaluator und einen Evaluationsfragedatensatz. Die Autoren führen umfangreiche Experimente über sechs LLMs durch, die die Effektivität des ValueCSV-Rahmenwerks bei der Bewertung der CSV-Ausrichtung zeigen. Diese Arbeit ist bedeutsam, da sie die Lücke in der Wertanpassungsforschung schließt und einen entscheidenden Maßstab für die Bewertung von LLMs in unterschiedlichen kulturellen und sozialen Kontexten darstellt.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe rapid development of large language models (LLMs) has made it crucial to align their values with those of humans. However, current efforts mainly focus on Western values in English contexts, such as Schwartz’s values, yet neglect the diverse cultural or social values. In this paper, we aim to explore LLMs’ alignment with Chinese values, the Core Socialist Values (CSV) which is a representative set of values in China. We introduce a novel framework called ValueCSV, which is capable of evaluating the extent to which existing LLMs align with CSV from bottom to top. Specifically, we first employ a human-LLM collaborative paradigm to collect and annotate a ValueCSV dataset with 5, 000 data. We then train a CSV evaluator to estimate value alignment based on the prompted generation of LLMs. We conduct extensive experiments to validate the annotation quality of the ValueCSV dataset, assess the performance of the value classifier, and analyze the CSV values maps across six LLMs. Our analysis reveals that these LLMs exhibit diverse value maps, with varying degrees of alignment across the 12 dimensions of CSV. Our framework is publicly available at https://github.com/ValueCSV. -
Integrating Multi-view Analysis: Multi-view Mixture-of-Expert for Textual Personality Detection
Haohao Zhu, Xiaokun Zhang, Junyu Lu, Liang Yang, Hongfei LinDas Kapitel geht der Bedeutung des Verständnisses der Persönlichkeitsinformationen der Nutzer für verschiedene nachgelagerte Aufgaben wie Empfehlungssysteme und personalisierte Werbung nach. Traditionelle Methoden zur Persönlichkeitsbewertung sind zeit- und arbeitsintensiv, aber die Verbreitung sozialer Medien hat eine automatisierte Persönlichkeitsanalyse möglich gemacht. Der Autor stellt das Multi-view Mixture-of-Expert (MvP) Framework vor, das ein Multi-view Mixture-of-Expert (MoE) verwendet, um Benutzerbeiträge aus verschiedenen Perspektiven zu modellieren und potenzielle Konflikte zwischen Repräsentationen zu entschärfen. Das MvP-Framework beinhaltet die Regulierung der Benutzerkonsistenz, um unterschiedliche Darstellungen in eine einheitliche Benutzerrepräsentation zu integrieren und so die Genauigkeit der Persönlichkeitserkennung zu erhöhen. Umfangreiche Experimente mit Benchmark-Datensätzen zeigen die Wirksamkeit des MvP-Modells und unterstreichen die Vorteile der Multiview-Modellierung bei der Persönlichkeitserkennung. Das Kapitel enthält auch eine detaillierte Analyse der Beiträge der einzelnen Schlüsselmodule innerhalb von MvP, die Einblicke in ihre Rolle bei der Verbesserung der Erkennungsleistung bietet.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractTextual personality detection aims to identify personality traits by analyzing user-generated content. To achieve this effectively, it is essential to thoroughly examine user-generated content from various perspectives. However, previous studies have struggled with automatically extracting and effectively integrating information from multiple perspectives, thereby limiting their performance on personality detection. To address these challenges, we propose the Multi-view Mixture-of-Experts Model for Textual Personality Detection (MvP). MvP introduces a Multi-view Mixture-of-Experts (MoE) network to automatically analyze user posts from various perspectives. Additionally, it employs User Consistency Regularization to mitigate conflicts among different perspectives and learn a multi-view generic user representation. The model’s training is optimized via a multi-task joint learning strategy that balances supervised personality detection with self-supervised user consistency constraints. Experimental results on two widely-used personality detection datasets demonstrate the effectiveness of the MvP model and the benefits of automatically analyzing user posts from diverse perspectives for textual personality detection. -
CEUS: Comment Emotion and User Stance Fusion Network for Fake News Detection
Ning Geng, Zhenhua Tan, Tao Zhang, Danke WuDas Kapitel stellt CEUS vor, ein Comment Emotion and User Stance Fusion Network zur Erkennung von Fake News auf Social-Media-Plattformen wie Weibo. Sie unterstreicht die Bedeutung emotionaler Faktoren in den Kommentaren der Nutzer und die polarisierten Diskussionen, die sie auslösen und die für die Identifizierung von Fake News von entscheidender Bedeutung sind. Die CEUS-Methode integriert semantische, emotionale und Haltungsmerkmale aus Kommentaren und nutzt fortgeschrittene Techniken wie Gate Recurrent Units (GRU) und Multi-Task-Lernen. Umfangreiche Experimente mit realen Datensätzen zeigen die überlegene Leistung von CEUS im Vergleich zu bestehenden Methoden und machen es zu einer vielversprechenden Lösung zur Bekämpfung der Verbreitung von Falschinformationen im Internet.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractOnline social platforms provide people with a new way of communication and exchange, and also make the rapid spread of fake news possible. Therefore, automatic detection of fake news has become crucial. Most existing fake news detection methods use deep learning models based on news content and social context. However, fake news often has strong misleading characteristics and can trigger users’ high emotions and questioning stances, which can provide useful information for fake news detection. In this paper, we propose a novel fake news detection model that integrates Comment Emotion and User Stance, namely CEUS. Specifically, We first train the emotion recognition task and fake news detection task jointly by multi-task learning, which extracts high-dimensional representations of emotional features from news comments. Then, based on the semantic representations of news content and comments, we calculate their pairwise similarity and take into account the temporal nature of user comments to obtain the forward and backward user stance. Finally, we concatenate emotion features and stance features to detect fake news together. Extensive experiments on real-world fake news datasets Weibo-16 and Weibo-20 show that the CEUS outperforms the state-of-the-art methods, and learns useful emotion features and stance features to efficiently improve the performance of fake news detection. -
FriendRec: A Graph Neural Network for Friend Recommendation
Yun Bai, Zanyou LaiDas Kapitel stellt FriendRec vor, ein Graph Neural Network, das für Freundschaftsempfehlungen in sozialen Online-Netzwerken entwickelt wurde. Es beleuchtet die Entwicklung sozialer Netzwerke und die Anwendung von Graph Neural Networks (GNNs) beim Lernen von Daten aus sozialen Netzwerken. Die primären Daten, die für den Bau von Empfehlungssystemen verwendet werden, sind Benutzer-Artikel- und Benutzer-Benutzer-Diagramme, die Interaktionen und soziale Verbindungen darstellen. FriendRec aggregiert Nachbarschaftsdarstellungen, um latente Darstellungen von Knotenpunkten zu lernen, und prognostiziert potenzielle Verbindungen zwischen Nutzern, indem es die Ähnlichkeit ihrer Darstellungen vergleicht. Das Rahmenwerk besteht aus einem sozialen Aggregator und einem Interessenaggregator, die jeweils Sozial- und Interessenvertretungen erlernen. Der Social Aggregator verwendet LightGCN, um Darstellungen im Benutzer-Benutzer-Diagramm zu verbreiten, während der Interessenaggregator eine spezielle Ebene einsetzt, um die Interessenvertretung auf Grundlage von Benutzerbewertungen zu aggregieren. Die endgültige Darstellung wird durch eine gewichtete Summe von Sozial- und Interessenvertretungen ermittelt, die signifikante Verbesserungen bei der Empfehlungsleistung in realen Datensätzen aufweist. Das Kapitel behandelt auch die Wirksamkeit verschiedener Fusionsoperationen und die Auswirkungen von Hyperparametern auf die Modellleistung.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe friend recommendation service is instrumental in molding and enhancing the expansion of online social networks. Graph Neural Networks (GNNs) have become a powerful tool for learning graph data and have been widely used in the design of recommender systems, as they can effectively aggregate the neighborhood representation of nodes. The basic idea of GNNs-based recommender systems is to utilize GNNs to aggregate a user’s neighborhood information in the user-user graph and the user-item graph. For friend recommendation, combining users’ neighborhood information in the user-user graph and the user-item graph makes recommendations more diverse. However, one of the challenges is how to effectively combine the neighborhood information of users from the two graphs. In addition, since users usually have many items to interact with, accurately analyzing the user’s personal preferences is a challenging task. In this paper, we present a GNNs-based framework (FriendRec) for friend recommendations. We first utilize GNNs to aggregate social representation and interest representation, respectively. Then we fuse two kinds of representations with a different strategy from previous works. In particular, we design a special layer to aggregate interest representation, which achieves 5% uplift compared with state-of-the-art recommendation model. Compared to fusing representations with deep neural networks, FriendRec significantly reduces the number of parameters, making it easier to train. -
CEMSSA: Contrastive-Enhanced and Multi-Scale Semantic-Aware Framework for Interactive Argument Pair Identification
Hu Zhang, Zengtai WuDas Kapitel stellt CEMSSA vor, ein neuartiges Rahmenwerk zur interaktiven Argument-Pair-Identifikation (IAPI) in rechtlichen und dialogischen Zusammenhängen. Es kombiniert widersprüchliches Lernen mit einem mehrskaligen semantischen Bewusstsein, um die Fähigkeit des Modells zu verbessern, zwischen Argumentationspaaren und Streitigkeiten und solchen ohne zu unterscheiden. Das Contrastive-Enhanced Modul nutzt NT-Xent Loss, um die Ähnlichkeit zwischen positiven Proben zu maximieren und zwischen negativen zu minimieren. Das Semantic-Aware-Modul mit mehreren Skalen verwendet eine bidirektionale Matching-Strategie und ein Option Comparison Network (OCN), um die Darstellung von Argumenten zu bereichern. Das Modul Adaptives Verlustgewicht passt die Verlustgewichte beider Module dynamisch an und optimiert so das Gleichgewicht zwischen ihnen. Experimentelle Ergebnisse zu den CAIL2023-ArgMine- und CMV-Datensätzen zeigen die Effektivität von CEMSSA, übertreffen starke Baselines und unterstreichen sein Potenzial, das Feld des Argument Mining zu revolutionieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractInteractive Argument Pair Identification is an emerging research task for argument mining, with the goal of identifying whether two arguments are interactively related. However, existing methods solely focus on the interaction representation among arguments or between arguments and context, neglecting the interaction between their two representations and do not specifically investigate the distinctiveness in representations between positive and negative samples of argument pairs. In this paper, we propose a Contrastive-Enhanced and Multi-Scale Semantic-Aware Framework to solve this problem. We employ Multi-Scale Semantic-Aware module to facilitate semantic interactions among the context of arguments and the debating parties, which aims to comprehensively understand the complete argumentation process. Additionally, we utilize Contrastive-Enhanced module to minimize the distance for positive samples of arguments and maximize the distance for negative samples, which assists the model in better distinguishing the relationships between arguments. The experimental results show that our method achieves the SOTA performance on the benchmark dataset. Further analysis demonstrates the effectiveness of our proposed modules. -
Target-Oriented Multimodal Sentiment Classification with Adaptive Modality Weighting
Zhiyue Liu, Fanrong MaDieses Kapitel vertieft sich in die Feinheiten der zielorientierten multimodalen Sentiment-Klassifizierung und beleuchtet die Grenzen bestehender Methoden, die textliche und visuelle Informationen gleichermaßen verschmelzen. Es führt ein neuartiges Rahmenwerk mit adaptiver Modalitätsgewichtung ein, das jeder Modalität dynamisch Bedeutung zuweist, basierend auf ihrem Beitrag zur Stimmungsprognose. Das Rahmenwerk nutzt große visuelle Sprachmodelle, um zielspezifische Wissensbeschreibungen zu erstellen, die textuelle Modalität zu bereichern und die Klassifikationsgenauigkeit zu verbessern. Experimentelle Ergebnisse zu Benchmark-Datensätzen zeigen die überlegene Leistung der vorgeschlagenen Methode im Vergleich zu vergleichbaren Baselines.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractTarget-oriented multimodal sentiment classification (TMSC) aims to determine the sentiment polarity associated with each target within a sentence-image pair. Previous research has not distinguished between the status of textual and visual modalities or has subjectively given primary status to the textual modality. However, in diverse contexts, the impact of each modality on predicting the sentiment polarity of the target word varies. Given the pivotal role of the target word in TMSC, we introduce a framework with adaptive modality weighting to detect target-related information. Specifically, this framework adaptively determines the importance of each modality based on the generated contribution weights for sentiment prediction towards the target word. The modality with relatively larger weights is considered the primary modality and leveraged to enhance the multimodal representation during the fusion stage. To further acquire information related to the target word, the large vision-language model is used to generate external target-specific knowledge descriptions as a supplementary textual modality, helping to identify the sentiment of each target term accurately. Experimental results on the multimodal Twitter-2015 and Twitter-2017 datasets show that our proposed method outperforms other competitive baselines. -
Leveraging Two-Stream Cause-Effect Relation for Emotion-Cause Analysis
Junfeng Ran, Zailong Tian, Weiyao Luo, Sujian LiDas Kapitel befasst sich mit der Emotion-Cause Analysis (ECA), die darauf abzielt, emotionale Ausdrucksformen und ihre Gründe zu identifizieren. Es führt ein neuartiges Zwei-Ströme-Denkmodell ein, das die ECPE-Aufgabe in Angriff nimmt, indem es Ursache-Wirkung-Beziehungen unabhängig und gleichzeitig untersucht. Das Modell nutzt Diskurskonjunktionen, die von großen Sprachmodellen vorhergesagt werden, um das Verständnis von Ursache-Wirkung-Beziehungen zu verbessern und übertrifft bestehende Methoden hinsichtlich Präzision und Gesamtleistung. Die Forschung unterstreicht die Bedeutung von wechselseitigen Ursache-Wirkung-Beziehungen im ECA und zeigt das Potenzial der Einbeziehung von LLMs auf, um das Feld voranzubringen. Die Studie umfasst auch umfangreiche Experimente und Ablationsstudien, um die Wirksamkeit der vorgeschlagenen Methode zu bestätigen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractEmotion Cause Analysis (ECA) is a task to analyze corresponding causes for emotions expressed in a text, utilizing explicit or implicit cause-effect relations between them. Previous research typically focused on sequence labeling methods to extract emotions and their corresponding causes, or clause pairing matrix methods to extract emotion-cause pairs directly. However, the sequence labeling methods fail to build mutual interactions between emotions and the causes, and the clause pairing matrix methods may confuse whether emotions are effects of the causes or reasons of other events. To address these limitations, we propose a method that enables the model to consider “how emotions are affected by the causes” and “How the causes lead to emotions”, namely the emotion-cause stream (ECS) and the cause-emotion stream (CES). We leverage discourse conjunctions as a bridge between these two streams, incorporating their discourse information to recognize two-way cause-effect relations, thereby enhancing the reasoning ability of our model. Further, we employ the conjunctions predicted by ChatGPT to assist our model in achieving better results, and our research demonstrates that our model achieves SOTA results in ECA and proves the superiority of our model. -
Visage: Visual-Aware Generation of Adversarial Examples in Black-Box for Text Classification
Hairui Zhao, Xinyu Li, Hongliang LiDas Kapitel stellt Visage vor, einen neuartigen Black-Box-Algorithmus zur Generierung von Gegenbeispielen für die Textklassifizierung. Visage konzentriert sich darauf, die visuelle Ähnlichkeit zwischen den ursprünglichen Textbeispielen und den AEs aufrechtzuerhalten, um sicherzustellen, dass die generierten Beispiele sowohl lesbar als auch wirksam sind, wenn es darum geht, Stimmungsklassifikatoren zu täuschen. Die Methode nutzt die Häufigkeit von Begriffen und die Kennzeichnung von Sprachbestandteilen, um wichtige Wörter zu identifizieren und sie durch visuell ähnliche Symbole zu ersetzen. Umfangreiche Experimente zeigen, dass von Visage generierte künstliche Intelligenz die Genauigkeit von Opfermodellen signifikant verringert und bestehende Methoden deutlich übertrifft. Zusätzlich verbessert die Einbeziehung dieser Nebenwirkungen in das gegnerische Training die Robustheit von Stimmungsklassifikatoren weiter. Das Kapitel unterstreicht die Bedeutung visueller Konsistenz bei der Erzeugung künstlicher Intelligenz und bietet einen praktischen Ansatz zur Verbesserung der Sicherheit von Textklassifikationsmodellen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractText Classification (TC), as a fundamental task in the Natural Language Process (NLP), plays an important role in many areas. However, adversarial examples (AEs) that adding small perturbations on the input text samples poses a serious challenge for TC. One key characteristic of AEs in the context of NLP is the visual consistency, attackers generally keep AEs similar to the original text sample in visual to facilitate user understanding. In this paper, we introduce an effective black-box method Visage to generate AEs by considering the perspective of users. Specifically, Visage calculates the importance of words in the input text sample and modifies them by using similar characters in visual to generate AEs. Visage provides AEs for adversarial training and improves the robustness of TC. Extensive experiments show that AEs generated by Visage can effectively reduce the accuracy of victim models which outperforms related works by 22.95% on average. Furthermore, adding AEs generated by Visage in training datasets for adversarial training can improve the robustness by 19.5%. -
TGAN: Temporal-Aware Graph Attention Network for Early Rumor Detection in Social Media
Shubo Zhang, Jing Wei, Zhengyi Zhao, Binyang Li, Kam-Fai WongDas Kapitel stellt TGAN vor, ein zeitlich bewusstes Graph Attention Network, das für die Früherkennung von Gerüchten in sozialen Medien entwickelt wurde. Traditionelle Methoden behandeln die Erkennung von Gerüchten als Klassifizierungsaufgabe und stützen sich dabei häufig auf vordefinierte Zeitintervalle oder eine feste Anzahl von Beiträgen. TGAN modelliert jedoch Gerüchtkaskaden als Grafiken und nutzt globale zeitliche Informationen, um variante Aufmerksamkeiten wie Nachbarschafts- und interaktive Aufmerksamkeiten zu erfassen, was die Genauigkeit der Gerüchteerkennung erhöht. Durch die Einbindung von Multi-Task-Learning zur Positionsklassifizierung und Gerüchteerkennung identifiziert TGAN nicht nur Gerüchte präzise, sondern schätzt auch die Berstzeit ein, was eine frühzeitige Intervention ermöglicht. Umfangreiche Experimente mit realen Datensätzen zeigen die überlegene Leistung von TGAN im Vergleich zu Benchmark-Methoden und unterstreichen sein Potenzial, die schädlichen Auswirkungen von Gerüchten durch frühzeitiges Erkennen zu mildern.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThreatening rumors diffuse more quickly and widely than ever with the popularity of social media. Therefore, it is crucial to identify a rumor as early as possible to stop its spreading and reduce the potential damages. Mainstream social media rumor detection methods utilize the content or propagation information but ignore the global temporal information, i.e., timestamps of published posts, therefore fail in capturing the variant attentions of the interactive pattern on different time intervals and determining a dynamical time point to debunk for each individual rumor. Meanwhile, the absence of global temporal information cannot provide a whole picture of the rumor propagation structure and will reduce the robustness of the model. For this purpose, we present a novel Temporal-aware Graph Attention Network (TGAN), for early rumor detection. In TGAN, the cascade of a rumor can be represented with a graph neural network, where each node denotes a post while the edge denotes the interactive pattern among posts. The global temporal information is integrated in TGAN, (1) to capture neighborhood attention and interactive attention to represent the structural information; (2) to learn the potential influence of a post and estimate the burst time of a rumor for early rumor detection. More importantly, the rumor can be identified earlier before the burst time, while maintaining a promising accuracy. -
Joint Graph Augmentation and Adaptive Synthetic Sampling for Imbalanced Node Classification
Guangquan Lu, Wanxin Chen, Yadan Han, Jiamin Tang, Faliang HuangDas Kapitel "Joint Graph Augmentation and Adaptive Synthetic Sampling for Imbalanced Node Classification" stellt GraphAdasyn vor, einen bahnbrechenden Algorithmus, der die Herausforderung einer unausgewogenen Knotenklassifizierung in Graphendaten angehen soll. Die Methode kombiniert Techniken zur Graphenvergrößerung mit adaptiver synthetischer Abtastung, wodurch Graph Neural Networks (GNNs) effektiv aus unausgewogenen Datensätzen lernen können. Durch die Nutzung lokaler und globaler topologischer Informationen verbessert GraphAdasyn die Leistung von GNNs bei der Klassifizierung von Knotenpunkten. Der Algorithmus wurde durch Experimente mit mehreren Datensätzen aus der realen Welt umfassend validiert, was eine überlegene Leistung im Vergleich zu bestehenden Methoden zeigt. Das Kapitel bietet außerdem einen umfassenden Überblick über verwandte Arbeiten, Methoden und experimentelle Ergebnisse und ist somit eine wertvolle Ressource für Forscher und Praktiker im Bereich des maschinellen Lernens und der Graphendatenanalyse.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractGraph representation learning is a very important part of the field of machine learning. It focuses on learning and extracting representations of nodes and edges in graph data to better analyze features and relationships within the graph structure. Graph neural networks (GNNs) are widely used to deal with node classification problems and has achieved state-of-the-art performance. However, most of the existing methods are performed under the condition that the number of node classes is balanced. In fact, in real-life scenarios, the number of samples of some classes will be significantly less than that of other classes. This leads to insufficient information representation of the minority class graph, thereby affecting the classification performance of GNNs. This paper proposes a new framework GraphAdasyn for imbalanced node classification to address this problem. The model inputs a hybrid view to utilize global and local topology information, expends an over-sampling method that is generalized to multiple-class imbalanced problems in the graph. This method enables adaptively synthesize the number of minority class samples based on the density distribution and is flexibly applicable to various datasets. Through numerous experiments results indicate that proposed framework demonstrates superior performance compared to all baseline methods in imbalanced node classification tasks. -
Speech Encryption Scheme Based on Chaotic Memristor Neural Network and S-Box
Dawei Zhao, Hui Yu, Chuan Chen, Lixiang Li, Ling MiDas Kapitel untersucht ein bahnbrechendes Sprachverschlüsselungsschema, das chaotische neuronale Memristornetzwerke und S-Box integriert. Durch die Nutzung des komplexen chaotischen Verhaltens neuronaler Memristornetzwerke erreicht das System hohe Sicherheit und schnelle Verschlüsselungsgeschwindigkeiten. Durch den Einsatz der S-box wird die Robustheit der Verschlüsselung gegenüber verschiedenen Angriffen weiter erhöht. Die Autoren untersuchen das dynamische Verhalten des neuen neuronalen Netzwerkmodells und bieten umfassende experimentelle Simulationen und Sicherheitsanalysen an. Das vorgeschlagene Schema übertrifft bestehende Algorithmen in Bezug auf Sicherheitskennzahlen, was es zu einer vielversprechenden Lösung für den Schutz von Sprachdaten in Echtzeit-Anwendungen macht.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn this study, we propose a novel speech encryption scheme based on a chaotic memristor neural network (MNN) and S-box. Firstly, we consider a magnetic-controlled memristor model and a new MNN model, and explore the chaotic behaviors of the new MNN under different memristor strengths. By iterating the new chaotic MNN, we generate an S-box through bit AND and modulo operations. Subsequently, the original speech is converted into a one-dimensional array, which is split into an integer part array and a fractional part array. The integer part array of the above one-dimensional array is converted into a binary matrix, which is separated into two binary matrices. These two binary matrices undergo XOR operations with two chaotic sequences and a sequence generated by the S-box. We convert the obtained matrix into a new array, and perform scrambling operation on the new array by using another chaotic sequence. Then, the encrypted speech can be obtained. Finally, the proposed encryption scheme is evaluated through experimental simulations and security analyses, demonstrating its high level of security. -
Humor Recognition Based on Dual Graph Attention Network with Incongruity and Ambiguity Feature Extraction
Zhichao Ping, Zhi Liu, Mengyi Wang, Hongfei Lin, Yijia ZhangDas Kapitel vertieft sich in die Komplexität der humoristischen Erkennung im Text und betont die Bedeutung von Unstimmigkeiten und Mehrdeutigkeitsmerkmalen. Es wird das Dual Graph Attention Network Feature Extraction Model (DGFEM) eingeführt, das grafische Aufmerksamkeitsnetzwerke nutzt, um semantische Verknüpfungen zu erkennen und die Extraktion dieser Merkmale zu verbessern. Die Architektur des Modells umfasst BERT-Schichten für kontextabhängige Kodierung und GAT-Schichten für Aufmerksamkeitsmechanismen, wodurch es komplizierte semantische Beziehungen und vielfache Bedeutungen mehrdeutiger Wörter erfassen kann. Experimente mit zwei öffentlichen Datensätzen zeigen die überlegene Leistung des DGFEM im Vergleich zu anderen Methoden und unterstreichen sein Potenzial bei der Förderung der Humorerkennung in der künstlichen Intelligenz.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractHumor, a fundamental aspect of human communication, poses a formidable challenge for computational systems. Drawing inspiration from the theory of incongruity, we introduce a novel Dual Graph Attention Network-based Feature Extraction Model (DGFEM) tailored specifically for humor recognition. This model constructs a comprehensive relational graph among linguistic tokens, thereby capturing the essence of incongruity that often underlies humorous content. Furthermore, it integrates WordNet for leveraging synonym relationships, enhancing the model’s capacity to identify ambiguity, a key characteristic of humor. Through rigorous experimentation conducted on two benchmark datasets, our DGFEM model has demonstrated remarkable effectiveness in humor recognition, underscoring its potential to advance the state-of-the-art in this domain.
-
-
Backmatter
- Titel
- Natural Language Processing and Chinese Computing
- Herausgegeben von
-
Derek F. Wong
Zhongyu Wei
Muyun Yang
- Copyright-Jahr
- 2025
- Verlag
- Springer Nature Singapore
- Electronic ISBN
- 978-981-9794-40-9
- Print ISBN
- 978-981-9794-39-3
- DOI
- https://doi.org/10.1007/978-981-97-9440-9
Informationen zur Barrierefreiheit für dieses Buch folgen in Kürze. Wir arbeiten daran, sie so schnell wie möglich verfügbar zu machen. Vielen Dank für Ihre Geduld.
