社会媒体处理(Social Media Processing, SMP)是从社会媒体数据中挖掘、分析和表示有价值信息的过程。 简单来讲,社会媒体处理研究的目标就是通过挖掘社会媒体中用户生成内容和社交关系网络,来衡量用户之间的相互作用,进而发现这其中蕴含的特定模式来更好地理解人类行为特点。

VIP内容

报告主题: 社会媒体处理前沿综述

报告摘要: 随着社会媒体类型的不断增加,与传统的社会媒体相比,现在社会媒体是大众参与发布和传播消息,以社会网络为基础,以互联网用户创造和传播信息为主要形式的在线交互媒体。此次报告介绍了社会媒体以及处理研究的发展趋势和方法论、社会媒体的主客观信息,最后介绍了社会媒体处理技术发展趋势。

邀请嘉宾: 丁效,博士,哈尔滨工业大学助理研究员。主要研究方向为人工智能、自然语言处理、社会计算和事理图谱。2016年获得哈尔滨工业大学博士学位,已在人工智能领域的顶级国际期刊和会议IJCAI、AAAI、EMNLP等发表相关论文20余篇。承担国家自然科学基金青年项目等省部级以上项目四项,参与科技创新2030“新一代人工智能”重大项目、国家重大科技基础设施建设项目、科技部973课题、国家自然科学基金重点项目等。荣获全国青年人工智能创新创业大会三等奖、第五届全国青年计算语言学研讨会优秀论文奖等荣誉。担任中国中文信息学会社会媒体处理专委会秘书、委员、智能金融工作组副组长,中国中文信息学会青年工作委员会委员。

成为VIP会员查看完整内容
0
20

最新论文

Recent technology breakthroughs in spatial molecular profiling (SMP), such as spatial transcriptomics sequencing, have enabled the comprehensive molecular characterization of single cells while preserving spatial and morphological information. One immediate question is how to identify spatially variable (SV) genes. Most of the current work builds upon the geostatistical model with Gaussian process that relies on the selection of \textit{ad hoc} kernels to account for spatial expression patterns. To overcome this potential challenge and capture more spatial patterns, we introduced a Bayesian modeling framework to identify SV genes. Our model first dichotomized the complex sequencing count data into latent binary gene expression levels. Then, binary pattern quantification problem is considered as a spatial correlation estimation problem via a modified Ising model using Hamiltonian energy to characterize spatial patterns. We used auxiliary variable Markov chain Monte Carlo algorithms to sample from the posterior distribution with an intractable normalizing constant. Simulation results showed high accuracy in detecting SV genes compared with kernel-based alternatives. We also applied our model to two real datasets and discovered novel spatial patterns that shed light on the biological mechanisms. This statistical methodology presents a new perspective for characterizing spatial patterns from SMP data.

0
0
下载
预览
Top