WEKO3
アイテム
Twitter User’s Hobby Estimation Based on Sequential Statements Using Deep Neural Networks
https://tokushima-u.repo.nii.ac.jp/records/2006919
https://tokushima-u.repo.nii.ac.jp/records/20069190af695b2-8ce1-437a-8ee6-8efce4ccc24d
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
ijmlc_9_2_108.pdf (1.42 MB)
|
.png)
|
| Item type | 文献 / Documents(1) | |||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2019-11-14 | |||||||||||||||||||||||||||||
| アクセス権 | ||||||||||||||||||||||||||||||
| アクセス権 | open access | |||||||||||||||||||||||||||||
| 資源タイプ | ||||||||||||||||||||||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_6501 | |||||||||||||||||||||||||||||
| 資源タイプ | journal article | |||||||||||||||||||||||||||||
| 出版社版DOI | ||||||||||||||||||||||||||||||
| 関連識別子 | https://doi.org/10.18178/ijmlc.2019.9.1.773 | |||||||||||||||||||||||||||||
| 関連名称 | 10.18178/ijmlc.2019.9.1.773 | |||||||||||||||||||||||||||||
| 出版タイプ | ||||||||||||||||||||||||||||||
| 出版タイプ | VoR | |||||||||||||||||||||||||||||
| 出版タイプResource | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |||||||||||||||||||||||||||||
| タイトル | ||||||||||||||||||||||||||||||
| タイトル | Twitter User’s Hobby Estimation Based on Sequential Statements Using Deep Neural Networks | |||||||||||||||||||||||||||||
| 著者 |
バンドウ, コウジ
× バンドウ, コウジ
× 松本, 和幸
WEKO
311
× 吉田, 稔
WEKO
641
× 北, 研二
WEKO
94
|
|||||||||||||||||||||||||||||
| 抄録 | ||||||||||||||||||||||||||||||
| 内容記述 | With more and more frequency, users communicate with each other on social media. Many users start on Twitter or Facebook to find friends who have the same hobby. Our study proposes a method to estimate the users’ interests (hobby) based on tweets on Twitter. One tweet does not, in and of itself, contain a lot of information, and some tweets are not related to the user’s hobby. Therefore, we propose a reliable hobby estimation method by extracting features from multiple, sequential tweets. The proposed method uses Recurrent Neural Networks (RNN) which can accommodate time-series information. We also used a Convolutional Neural Networks (CNN) which can treat contextual information. We used an averaged vector of word distributed representation as a feature. Using the proposed method based on Long Short-Term Memory Recurrent Neural Networks (LSTM-RNN), we obtained a 23.72% improvement as compared with a baseline method using a Random Forest (RF) regression as a machine learning algorithm. | |||||||||||||||||||||||||||||
| キーワード | ||||||||||||||||||||||||||||||
| 主題 | Hobby estimation | |||||||||||||||||||||||||||||
| キーワード | ||||||||||||||||||||||||||||||
| 主題 | deep neural networks | |||||||||||||||||||||||||||||
| キーワード | ||||||||||||||||||||||||||||||
| 主題 | sequential statements | |||||||||||||||||||||||||||||
| キーワード | ||||||||||||||||||||||||||||||
| 主題 | social media | |||||||||||||||||||||||||||||
| 書誌情報 |
en : International Journal of Machine Learning and Computing 巻 9, 号 2, p. 108-114, 発行日 2019-04 |
|||||||||||||||||||||||||||||
| 収録物ID | ||||||||||||||||||||||||||||||
| 収録物識別子タイプ | ISSN | |||||||||||||||||||||||||||||
| 収録物識別子 | 20103700 | |||||||||||||||||||||||||||||
| 権利情報 | ||||||||||||||||||||||||||||||
| 権利情報 | This article is licensed under an open access Creative Commons CC BY 4.0 license, which means all papers can be downloaded, shared, and reused without restriction, as long as the original authors are properly cited. | |||||||||||||||||||||||||||||
| EID | ||||||||||||||||||||||||||||||
| 識別子 | 347383 | |||||||||||||||||||||||||||||
| 言語 | ||||||||||||||||||||||||||||||
| 言語 | eng | |||||||||||||||||||||||||||||
