Breadcrumb

Conoce la Facultad de Informática

(Opens New Window) Ezagutu

Ezagutu UPV/EHUko Informatika Fakultatea

Fakultatea da erreferentziazko ikastegia informatikako eta adimen artifizialeko prestakuntza eta ezagutza teknikoa/zientifikoa jasotzeko.

Ezagutu (Opens New Window) Kokapena eta kontaktua (Opens New Window)

Nested Applications

Nabarmentzekoa - GrAL

Nabarmentzekoa - MUGIKORTASUNA

Nabarmentzekoa - ENPRESAK

Difusio@

2022-07-26 TESIS PABLO ANDRE CLEVELAND ORTEGA

Image

Pablo André Cleveland Ortega:  "Modelando las decisiones de contribución de contenidos de usuarios en una red social ".

Zuzendariak_Directores: Manuel María Graña Romay/ Sebastián Ríos Pérez.          

2022_07_26, 11:00  Sala Ada Lovelace aretoa.

Abstract:

"Comprender a nivel microscópico el proceso de generación de contenidos en una red social en línea (OSN) es muy deseable para una mejor gestión de las OSN y la prevención de fenómenos indeseables, como el acoso en línea. La generación de contenido, es decir, la decisión de publicar un contenido aportado en la OSN, puede ser modelado por enfoques neurofisiológicos sobre la base de análisis semántico insesgado de los contenidos ya publicados en la OSN. Esta Tesis propone un modelo neuro-semántico compuesto por (1) un modelo que hemos denominado Extended Leaky Competing Accumulator (ELCA) como la arquitectura neuronal que implementa el proceso de decisión concurrente del usuario para generar contenido en un hilo de conversación de una comunidad virtual de práctica, y (2) un modelado semántico basado en el análisis de tópicos realizado por un Latent Dirichlet Allocation (LDA) de usuarios e hilos de conversación. Se utiliza la similitud entre las representaciones semánticas del usuario y del hilo para construir el modelo del interés del usuario en los contenidos del hilo como estímulo para aportar contenido nuevo en el hilo. Los intereses semánticos de los usuarios en los hilos de discusión son las entradas externas para el ELCA, es decir, el valor externo asignado a cada elección. Demostramos este proceso de modelado y sus resultados sobre un conjunto de datos extraído de un foro web de la vida real dedicado a los fanáticos de los retoques con instrumentos musicales y dispositivos relacionados. El modelo neurosemántico logra un alto rendimiento al predecir las decisiones de publicación de contenido (puntuación F promedio de 0.61) mejorando en gran medida con respecto al desempeño de enfoques conocidos de machine learning, a saber, random forest y support vector machines que sólo alcanzan puntuaciones F promedio de 0,19 y 0,21, respectivamente."