Year: 2020
Type: dissertation
Abstract: する手法である.以下,これを Kleinberg-user 手法と呼ぶ.最後に,それぞれの手 法で算出されたスコアが閾値以上であるとき,カテゴリを単語の典型的使用場面 として特定し,その単語とカテゴリの組を辞書に登録する. 上記の手法で職業のメタデータが付与されたツイートを得るためには,職業ユー ザのリストが必要である.本研究ではこれを半自動的に獲得する.まず,職業名が プロフィールに記入されているユーザを検索し,職業が明らかなユーザ (親ユーザ と呼ぶ) を人手で選択する.親ユーザがフォローし,かつ職業名がプロフィール欄 に記載されたユーザの職業は,親ユーザの職業と同じとみなし,これを職業ユー ザとみなす.この操作を 100 名の職業ユーザが得られるまで再帰的に繰り返す. 提案手法の評価実験を行った.まず,PMI によって単語の典型的使用場面を特 定する手法を評価した.場所カテゴリについて,単語と典型的使用場面として特定 されたカテゴリの組をいくつか選択し,適切であるかを人手で評価した.しかし, その正解率は 0.26 となり,十分な結果が得られなかった.次に,Kleinberg-tweet 手法を評価した.各カテゴリから Kleinberg-tweet 手法で計算されたスコアの上位 20 単語を作業者 2 名によって人手で評価した.正解率は,時間カテゴリは 0.44, 場所カテゴリは 0.79,職業カテゴリは 0.52 であった.同様に Kleinberg-user 手法 を評価した.正解率は,時間カテゴリは 0.59,場所カテゴリは 0.90,職業カテゴ リは 0.
Author: 岡, 利成
Language: Japanese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7025887869
