DE202023105444U1 - Deep learning based system to improve the performance of sentiment analysis on social media data using management strategies - Google Patents
Deep learning based system to improve the performance of sentiment analysis on social media data using management strategies Download PDFInfo
- Publication number
- DE202023105444U1 DE202023105444U1 DE202023105444.7U DE202023105444U DE202023105444U1 DE 202023105444 U1 DE202023105444 U1 DE 202023105444U1 DE 202023105444 U DE202023105444 U DE 202023105444U DE 202023105444 U1 DE202023105444 U1 DE 202023105444U1
- Authority
- DE
- Germany
- Prior art keywords
- data
- sentiment
- module
- iii
- sentiment analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000003058 natural language processing Methods 0.000 claims abstract description 6
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 206010027951 Mood swings Diseases 0.000 claims abstract description 3
- 238000013075 data extraction Methods 0.000 claims abstract description 3
- 238000011084 recovery Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims abstract 2
- 230000002123 temporal effect Effects 0.000 claims abstract 2
- 230000008451 emotion Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 241001672694 Citrus reticulata Species 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 18
- 230000036651 mood Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Abstract
Ein System (100) zum Verbessern der Leistung der Stimmungsanalyse bei sozialen Mediendaten, das Folgendes umfasst:
a. Deep-Learning-Modul (1), das:
i. enthält vortrainierte Modelle, die für bestimmte Plattformen wie Twitter, Facebook und Instagram spezialisiert sind;
ii. verwendet Transfer-Learning-Fähigkeiten, die es ermöglichen, Modelle mit begrenzten Daten, die für die Nische des Nutzers spezifisch sind, anzupassen;
iii. nutzt Auto-Tuning-Funktionen zur Optimierung von Hyperparametern, um eine optimale Modellleistung zu gewährleisten;
b. ein Datenerfassungsmodul (2), das:
i. nutzt API-Integrationen für die Echtzeit-Datenextraktion aus einer Vielzahl von Social-Media-Plattformen;
ii. enthält Werkzeuge zur Verarbeitung natürlicher Sprache wie Tokenisierung, Stemming und Lemmatisierung, um die Daten für die Analyse vorzubereiten;
iii. hat eine zeitliche Segmentierung, um Daten auf der Grundlage von Zeitrahmen, Trends oder Ereignissen zu organisieren;
c. ein Modul für Managementstrategien (3), das:
i. verwendet kontinuierliche Rückkopplungsschleifen, um die Modelle auf der Grundlage der jüngsten Leistungen zu verfeinern und neu zu trainieren;
ii. nutzt aktive Lernstrategien und fordert den Menschen auf, bei mehrdeutigen Datenpunkten einzugreifen, um die Modellgenauigkeit zu verbessern;
iii. implementiert Strategien wie Oversampling, Undersampling oder die Erzeugung synthetischer Daten, um ein Klassenungleichgewicht in den Stimmungsdaten zu behandeln;
d. ein Benutzerschnittstellenmodul (4), das:
i. zeigt dynamische Diagramme und Visualisierungen der Stimmung über ausgewählte Zeiträume oder Ereignisse;
ii. beherbergt eine Empfehlungsmaschine, die prädiktive Algorithmen einsetzt, um potenzielle strategische Maßnahmen auf der Grundlage von Stimmungsergebnissen vorzuschlagen;
iii. enthält Echtzeit-Warnmechanismen, um die Nutzer über plötzliche Stimmungsumschwünge oder potenzielle Krisen zu informieren;
e. ein Datenspeichermodul (5), das:
i. verwendet eine mehrschichtige Verschlüsselung zur Speicherung von Rohdaten und verarbeiteten Daten, um die Privatsphäre der Nutzer zu schützen;
ii. folgt den neuesten Cybersicherheitsprotokollen, um die Datensicherheit zu gewährleisten;
iii. verfügt über integrierte Disaster-Recovery-Funktionen, die minimale Datenverluste und Systemausfallzeiten gewährleisten.
A system (100) for improving sentiment analysis performance on social media data, comprising:
a. Deep learning module (1) that:
i. includes pre-trained models specialized for specific platforms such as Twitter, Facebook and Instagram;
ii. uses transfer learning capabilities that allow models to be customized with limited data specific to the user's niche;
iii. utilizes auto-tuning capabilities to optimize hyperparameters to ensure optimal model performance;
b. a data acquisition module (2) that:
i. leverages API integrations for real-time data extraction from a variety of social media platforms;
ii. includes natural language processing tools such as tokenization, stemming, and lemmatization to prepare the data for analysis;
iii. has temporal segmentation to organize data based on time frames, trends or events;
c. a management strategies module (3) that:
i. uses continuous feedback loops to refine and retrain the models based on recent performance;
ii. uses active learning strategies and prompts humans to intervene on ambiguous data points to improve model accuracy;
iii. implements strategies such as oversampling, undersampling, or synthetic data generation to address class imbalance in the sentiment data;
d. a user interface module (4) that:
i. displays dynamic charts and visualizations of sentiment over selected time periods or events;
ii. hosts a recommendation engine that uses predictive algorithms to suggest potential strategic actions based on sentiment scores;
iii. includes real-time alert mechanisms to notify users of sudden mood swings or potential crises;
e. a data storage module (5) that:
i. uses multi-layer encryption to store raw data and processed data to protect user privacy;
ii. follows the latest cybersecurity protocols to ensure data security;
iii. has built-in disaster recovery capabilities that ensure minimal data loss and system downtime.
Description
BEREICH DER ERFINDUNGFIELD OF THE INVENTION
Die vorliegende Erfindung bezieht sich allgemein auf die Stimmungsanalyse und insbesondere auf ein System, das tiefes Lernen und Managementstrategien verwendet, um die Leistung der Stimmungsanalyse von Social Media-Daten zu verbessern.The present invention relates generally to sentiment analysis, and more particularly to a system that uses deep learning and management strategies to improve the performance of sentiment analysis of social media data.
Insbesondere bezieht sich die vorliegende Erfindung auf ein auf tiefem Lernen basierendes System zur Verbesserung der Leistung der Stimmungsanalyse von Social-Media-Daten unter Verwendung von Managementstrategien.More particularly, the present invention relates to a deep learning-based system for improving the performance of sentiment analysis of social media data using management strategies.
HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION
Bei dem im Abschnitt „Hintergrund“ behandelten Gegenstand sollte nicht davon ausgegangen werden, dass er allein aufgrund seiner Erwähnung im Abschnitt „Hintergrund“ zum Stand der Technik gehört. Ebenso sollte nicht davon ausgegangen werden, dass ein im Hintergrundabschnitt erwähntes oder mit dem Gegenstand des Hintergrundabschnitts verbundenes Problem bereits im Stand der Technik erkannt worden ist. Der Gegenstand des Hintergrundabschnitts stellt lediglich verschiedene Ansätze dar, die für sich genommen ebenfalls Erfindungen sein können.The subject matter discussed in the Background section should not be assumed to be part of the prior art solely because of its mention in the Background section. Likewise, it should not be assumed that a problem mentioned in the background section or associated with the subject matter of the background section has already been recognized in the prior art. The subject matter of the background section merely represents various approaches, which in themselves can also be inventions.
Im heutigen digitalen Zeitalter haben sich die Plattformen der sozialen Medien zu bedeutenden Kanälen für den Ausdruck, die Interaktion und die Verbreitung von Informationen entwickelt. Von Gelegenheitsnutzern, die ihr tägliches Leben mit anderen teilen, bis hin zu Unternehmen, die ihre neuesten Produkte vermarkten, erfassen diese Plattformen ein breites Spektrum an Emotionen, Meinungen und Stimmungen. Das Verständnis dieser Stimmungen ist von entscheidender Bedeutung, da sie nicht nur die öffentliche Meinung widerspiegeln, sondern auch Trends bestimmen, Kaufentscheidungen beeinflussen und die Reputationsdynamik beeinflussen.In today's digital age, social media platforms have become significant channels for expression, interaction and dissemination of information. From casual users sharing their daily lives to companies marketing their latest products, these platforms capture a wide range of emotions, opinions and moods. Understanding these sentiments is critical because they not only reflect public opinion, but also determine trends, influence purchasing decisions, and influence reputation dynamics.
Historisch gesehen begann die Stimmungsanalyse oder Meinungsforschung als eine einfache Aufgabe zur Kategorisierung von Polaritäten: positiv, negativ oder neutral. In der Anfangsphase der Stimmungsanalyse dominierten herkömmliche Techniken wie das Aufspüren von Schlüsselwörtern und grundlegende Ansätze des maschinellen Lernens. Diese Methoden stützten sich häufig auf lexikalische Datenbanken wie WordNet oder SentiWordNet. Diese rudimentären Systeme waren jedoch oft unzureichend, wenn es um die Komplexität menschlicher Emotionen und die verschiedenen Arten des Ausdrucks von Gefühlen ging.Historically, sentiment analysis or opinion research began as a simple task of categorizing polarities: positive, negative or neutral. In the early stages of sentiment analysis, traditional techniques such as keyword discovery and basic machine learning approaches dominated. These methods often relied on lexical databases such as WordNet or SentiWordNet. However, these rudimentary systems were often inadequate when it came to the complexity of human emotions and the different ways of expressing feelings.
Sprache ist von Natur aus reichhaltig, dynamisch und oft zweideutig. Ausdrücke wie Sarkasmus, Ironie und Metaphern, die in sozialen Medien häufig vorkommen, stellten frühe Systeme zur Stimmungsanalyse vor große Herausforderungen. Darüber hinaus hat die kurze und informelle Natur von Social Media-Nachrichten mit Slang, Abkürzungen und Emojis die Komplexität noch erhöht. Herkömmliche Modelle hatten Schwierigkeiten, zwischen Aussagen wie „Das ist krank!“ zu unterscheiden, wobei „krank“ je nach Kontext hervorragend oder wirklich krank bedeuten konnte.Language is inherently rich, dynamic and often ambiguous. Expressions such as sarcasm, irony, and metaphors, which are common in social media, posed significant challenges to early sentiment analysis systems. Additionally, the short and informal nature of social media messages with slang, abbreviations and emojis has added to the complexity. Traditional models had difficulty distinguishing between statements like “That’s sick!”, where “sick” could mean excellent or really sick depending on the context.
Außerdem sind mit der Verbreitung von Social-Media-Plattformen die Menge, die Vielfalt und die Geschwindigkeit der Daten explodiert. Plattformen wie Twitter mit seinem Mikro-Blogging-Format brachten einzigartige sprachliche Stile ein, während Plattformen wie Facebook oder Instagram, die längere Inhalte zuließen, unterschiedliche sprachliche Nuancen aufwiesen. Der Einheitsansatz, den viele der frühen Stimmungsanalyse-Tools verfolgten, erwies sich als völlig unzureichend.Additionally, with the proliferation of social media platforms, the amount, variety and velocity of data has exploded. Platforms like Twitter, with its micro-blogging format, introduced unique linguistic styles, while platforms like Facebook or Instagram, which allowed longer content, had different linguistic nuances. The one-size-fits-all approach that many of the early sentiment analysis tools took proved woefully inadequate.
Mit der Globalisierung kam eine weitere Herausforderung für die Stimmungsanalyse hinzu: die Mehrsprachigkeit. Frühe Systeme waren in erster Linie auf die englische Sprache ausgerichtet. Als die Nutzung sozialer Medien in nicht englischsprachigen Regionen zunahm, wurde der Bedarf an Instrumenten zur Stimmungsanalyse deutlich, die mehrere Sprachen mit ihren jeweiligen sprachlichen Nuancen und kulturellen Kontexten verstehen können.With globalization came another challenge for sentiment analysis: multilingualism. Early systems were primarily focused on the English language. As social media usage increased in non-English speaking regions, the need for sentiment analysis tools that could understand multiple languages with their respective linguistic nuances and cultural contexts became apparent.
Aus geschäftlicher Sicht hat sich die Stimmungsanalyse von einem reinen Analyseinstrument zu einer strategischen Waffe entwickelt. Unternehmen erkannten, dass das Verständnis der Kundenstimmung in Echtzeit Wettbewerbsvorteile bieten, Marketingstrategien vorantreiben und sogar die Produktentwicklung beeinflussen kann. Damit verlagerte sich die Nachfrage von einer einfachen Kategorisierung der Stimmung hin zu einem tiefgreifenden Verständnis der Stimmung, das nicht nur die Stimmung, sondern auch den Grund für die Stimmung, die Intensität und sogar die potenziellen Auswirkungen erfassen kann.From a business perspective, sentiment analysis has evolved from a mere analytical tool to a strategic weapon. Companies realized that understanding customer sentiment in real time could provide competitive advantages, drive marketing strategies, and even influence product development. With this, the demand shifted from a simple categorization of mood to a deep understanding of mood that can capture not only the mood, but also the reason for the mood, the intensity and even the potential impact.
Die Anfänge der Sentiment-Analyse legten zwar den Grundstein für die Analyse von Emotionen in Textdaten, waren jedoch mit Herausforderungen verbunden, die sich aus der dynamischen Natur der Sprache, den unterschiedlichen Formaten von Social-Media-Inhalten und dem wachsenden Datenvolumen ergaben. Es bestand ein eklatanter Bedarf an einem System, das sich weiterentwickeln, anpassen und skalieren lässt und tiefgreifende technologische Fortschritte mit strategischen Erkenntnissen verbindet. Die beschriebene Erfindung zielt darauf ab, diese Lücken zu schließen und eine umfassende Lösung für die modernen Herausforderungen der Stimmungsanalyse im Bereich der sozialen Medien zu bieten.While the early days of sentiment analysis laid the foundation for analyzing emotions in text data, it came with challenges arising from the dynamic nature of language, the varying formats of social media content, and the growing volume of data. There was a clear need for a system that could evolve, adapt and scale and combine deep technological advances with strategic insights. The invention described aims to close these gaps and provide a comprehensive To provide a solution to the modern challenges of sentiment analysis in the social media space.
Mit dem US-Patent
Das US-Patent
Die bahnbrechende Arbeit von Pang, Bo, Lillian Lee und Shivakumar Vaithyanathan mit dem Titel „Thumbs up? Sentiment Classification using Machine Learning Techniques“ (ACL-02) war eine der bahnbrechenden Arbeiten zum Einsatz von maschinellem Lernen für die Stimmungsanalyse. Ihre Techniken waren damals zwar bahnbrechend, beschränkten sich aber auf Filmkritiken und waren nicht so anpassungsfähig, wie es für die vielseitige Landschaft der sozialen Medien erforderlich ist.The groundbreaking work by Pang, Bo, Lillian Lee and Shivakumar Vaithyanathan entitled “Thumbs up? Sentiment Classification using Machine Learning Techniques” (ACL-02) was one of the pioneering works on the use of machine learning for sentiment analysis. While their techniques were groundbreaking at the time, they were limited to film reviews and were not as adaptable as is required for the diverse landscape of social media.
In „
Der der Sprache innewohnende Reichtum in Verbindung mit ihrer sich entwickelnden Natur auf Social-Media-Plattformen stellte ein Rätsel dar. Ausdrücke, die mit Sarkasmus, Ironie oder Metaphern gespickt sind, sind auf diesen Plattformen eine Selbstverständlichkeit. Wenn dann noch Abkürzungen, regionaler Slang und Emojis hinzukommen, stehen die ersten Systeme zur Stimmungsanalyse vor einem Rätsel. Es wurde deutlich, dass sie nicht in der Lage waren, Aussagen wie „That's wicked!“ zu analysieren, wobei „wicked“ je nach Kontext entweder etwas Bösartiges oder paradoxerweise etwas Ausgezeichnetes bezeichnen konnte.The inherent richness of language combined with its evolving nature on social media platforms has presented a conundrum. Expressions laced with sarcasm, irony or metaphors are a given on these platforms. Add abbreviations, regional slang and emojis to the mix, and the first sentiment analysis systems are left with a puzzle. It became clear that they were unable to analyze statements like “That's wicked!”, where “wicked” could denote either something malicious or, paradoxically, something excellent, depending on the context.
Die Vielfalt der Social-Media-Plattformen machte die Herausforderungen noch größer. Jede Plattform mit ihrer eigenen Nutzerdemografie und ihrem eigenen Inhaltsstil erforderte maßgeschneiderte Lösungen für die Stimmungsanalyse. Darüber hinaus hat die Zunahme des globalen Publikums eine weitere klaffende Lücke aufgedeckt: die mehrsprachige Stimmungsanalyse. Der Schwerpunkt verlagerte sich von englischsprachigen Lösungen auf Modelle, die in der Lage sind, Stimmungen in einer Vielzahl von Sprachen und Dialekten zu entschlüsseln.The diversity of social media platforms made the challenges even greater. Each platform, with its own user demographics and content style, required tailored sentiment analysis solutions. Additionally, the increase in global audiences has exposed another gaping gap: multilingual sentiment analysis. The focus shifted from English-language solutions to models capable of decoding sentiments in a variety of languages and dialects.
Auch bei den geschäftlichen Auswirkungen der Stimmungsanalyse gab es einen Paradigmenwechsel. Über die reine Datenanalyse hinaus begann die Stimmungsanalyse, Marketingkampagnen, Produktinnovationen und Kundendienststrategien zu beeinflussen. Es entstand der Bedarf, Stimmungen nicht nur zu klassifizieren, sondern tiefer zu gehen, ihre Kausalität zu verstehen, ihre Intensität zu messen und ihre Auswirkungen vorherzusagen.There has also been a paradigm shift in the business impact of sentiment analysis. Beyond just data analysis, sentiment analysis began to influence marketing campaigns, product innovation, and customer service strategies. The need arose to not only classify moods, but to go deeper, understand their causality, measure their intensity and predict their impact.
Die in diesem Abschnitt „Hintergrund“ offengelegten Informationen dienen lediglich dem besseren Verständnis des Hintergrunds der Erfindung und können daher Informationen enthalten, die nicht zum Stand der Technik gehören und die einem Fachmann in diesem Land bereits bekannt sind.The information disclosed in this Background section is intended solely to better understand the background of the invention and therefore may contain information that is not part of the prior art and that is already known to a person skilled in the art in this country.
ZUSAMMENFASSUNGSUMMARY
Bevor die vorliegenden Systeme und Methoden beschrieben werden, sei darauf hingewiesen, dass diese Anwendung nicht auf die beschriebenen Systeme und Methoden beschränkt ist, da es mehrere mögliche Ausführungsformen geben kann, die in der vorliegenden Offenlegung nicht ausdrücklich dargestellt sind. Es ist auch zu verstehen, dass die in der Beschreibung verwendete Terminologie nur zur Beschreibung der besonderen Versionen oder Ausführungsformen dient und nicht dazu gedacht ist, den Umfang der vorliegenden Anwendung zu begrenzen.Before describing the present systems and methods, it should be noted that this application is not limited to the systems and methods described, as there may be several possible embodiments that are not expressly presented in the present disclosure. It is also to be understood that the terminology used in the description is intended only to describe the particular versions or embodiments and is not intended to limit the scope of the present application.
Die vorliegende Erfindung befasst sich mit dem oben genannten Bedarf, indem sie ein umfassendes System bereitstellt, das ein Modul für tiefes Lernen, ein Datenerfassungsmodul, ein Modul für Verwaltungsstrategien, ein Benutzerschnittstellenmodul und ein Datenspeichermodul umfasst.The present invention addresses the above need by providing a comprehensive system comprising a deep learning module, a data acquisition module, a management strategy module, a user interface module and a data storage module.
Die vorliegende Erfindung zielt darauf ab, die bestehenden Lücken in der Stimmungsanalyse zu schließen und insbesondere die vielfältigen Herausforderungen der Analyse von Stimmungen auf Social-Media-Plattformen zu bewältigen. Im Kern verbindet diese Erfindung modernste Deep-Learning-Techniken mit strategisch ausgearbeiteten Managementlösungen, um die Genauigkeit, Anpassungsfähigkeit und Anwendbarkeit in Echtzeit zu verbessern.The present invention aims to close the existing gaps in sentiment analysis and in particular to address the diverse challenges of analyzing sentiments on social media platforms. At its core, this invention combines cutting-edge deep learning techniques with strategically crafted management solutions to improve real-time accuracy, adaptability, and applicability.
Das Herzstück des Systems ist ein robustes Deep Learning-Modul. Durch die Nutzung von Architekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Transformers beweist das Modul eine beispiellose Kompetenz bei der Erfassung komplizierter sprachlicher Muster, einschließlich kontextbezogener Nuancen, idiomatischer Ausdrücke und des auf Social-Media-Plattformen verbreiteten Slangs. Durch die Hinzufügung von Transfer-Learning-Fähigkeiten ist das System sowohl universell wirksam als auch spezifisch anpassbar, was eine Relevanz über Branchen und Regionen hinweg gewährleistet.The heart of the system is a robust deep learning module. Leveraging architectures such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) and Transformers, the module demonstrates unparalleled proficiency in capturing complicated linguistic patterns, including contextual nuances, idiomatic expressions and the slang common on social media platforms . The addition of transfer learning capabilities makes the system both universally effective and specifically customizable, ensuring relevance across industries and regions.
Da die Essenz der Stimmung in dynamischen Echtzeitdaten liegt, setzt das System ein Datenerfassungsmodul ein. Dieses Modul lässt sich über API-Verbindungen nahtlos in mehrere Social-Media-Plattformen integrieren und extrahiert Textdaten in Echtzeit. Es umfasst auch fortschrittliche NLP-Tools (Natural Language Processing), die sicherstellen, dass die erfassten Daten sofort verfeinert, strukturiert und für die Analyse vorbereitet werden.Since the essence of sentiment lies in dynamic real-time data, the system employs a data collection module. This module seamlessly integrates with multiple social media platforms via API connections and extracts text data in real-time. It also includes advanced Natural Language Processing (NLP) tools that ensure the captured data is instantly refined, structured and prepared for analysis.
Das Modul Management-Strategien hebt die Erfindung wirklich hervor. In der Erkenntnis, dass es bei der Stimmungsanalyse nicht nur um technologische Fähigkeiten, sondern auch um strategischen Scharfsinn geht, integriert dieses Modul Feedbackschleifen und aktive Lernmechanismen. Es befasst sich auch mit weit verbreiteten Herausforderungen wie Klassenungleichgewichten und verwendet fortschrittliche Strategien, um eine umfassende Stimmungsdarstellung zu gewährleisten. Die Fähigkeit des Moduls, die Häufigkeit der Sentiment-Analyse auf der Grundlage des eingehenden Datenvolumens anzupassen, ist ein weiterer Pluspunkt, der die Effizienz und Ressourcenoptimierung fördert.The Management Strategies module really highlights the invention. Recognizing that sentiment analysis is not just about technological skills but also strategic acumen, this module integrates feedback loops and active learning mechanisms. It also addresses common challenges such as class imbalance and uses advanced strategies to ensure comprehensive sentiment representation. The module's ability to adjust the frequency of sentiment analysis based on the volume of incoming data is another plus point that promotes efficiency and resource optimization.
Um sicherzustellen, dass die gewonnenen Erkenntnisse nicht nur akademisch, sondern auch umsetzbar sind, führt die Erfindung ein Benutzerschnittstellenmodul ein. Dieses Modul ist zwar technologisch fortschrittlich, aber in erster Linie benutzerfreundlich gestaltet. Es bietet dynamische Visualisierungstools, Stimmungs-Trend-Analysen und Empfehlungs-Engines, die rohe Stimmungsdaten in umsetzbare Geschäftserkenntnisse umwandeln. Die zusätzlichen Echtzeit-Warnmechanismen stellen sicher, dass signifikante Stimmungsschwankungen oder potenzielle PR-Krisen sofort erkannt werden und ein rechtzeitiges Eingreifen möglich ist.To ensure that the insights gained are not only academic but also actionable, the invention introduces a user interface module. Although this module is technologically advanced, it is primarily designed to be user-friendly. It offers dynamic visualization tools, sentiment trend analysis, and recommendation engines that transform raw sentiment data into actionable business insights. The additional real-time warning mechanisms ensure that significant mood swings or potential PR crises are identified immediately and timely intervention is possible.
Im Zeitalter der Cyberschwachstellen legt das Datenspeichermodul des Systems den Schwerpunkt auf Datenintegrität und -sicherheit. Durch die Einbeziehung modernster Verschlüsselungstechniken und die Einhaltung globaler Cybersicherheitsprotokolle wird sichergestellt, dass die Benutzerdaten, sowohl die Rohdaten als auch die verarbeiteten Daten, sicher und privat bleiben und für böswillige Bedrohungen unzugänglich sind.In the era of cyber vulnerabilities, the system's data storage module focuses on data integrity and security. Incorporating state-of-the-art encryption techniques and adhering to global cybersecurity protocols ensures that user data, both raw and processed, remains secure, private and inaccessible to malicious threats.
Zusammenfassend lässt sich sagen, dass diese Erfindung eine ganzheitliche, integrierte und zukunftsweisende Lösung für die Stimmungsanalyse auf Social-Media-Plattformen bietet. Durch die nahtlose Verbindung von Deep-Learning-Techniken mit strategischen Erkenntnissen stellt sie sicher, dass Unternehmen nicht nur die vorherrschenden Stimmungen verstehen, sondern auch darauf reagieren können, um die Macht der öffentlichen Meinung in Echtzeit zu nutzen.In summary, this invention offers a holistic, integrated and forward-looking solution for sentiment analysis on social media platforms. By seamlessly combining deep learning techniques with strategic insights, it ensures that companies can not only understand prevailing sentiments but also respond to them to harness the power of public opinion in real time.
KURZBESCHREIBUNG DER ZEICHNUNGBRIEF DESCRIPTION OF THE DRAWING
Um verschiedene Aspekte einiger Ausführungsbeispiele der vorliegenden Erfindung zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen, die in der beigefügten Zeichnung dargestellt sind, gegeben. Es wird davon ausgegangen, dass diese Zeichnung zeigt nur illustrierte Ausführungsformen der Erfindung und sind daher nicht als Einschränkung ihres Umfangs zu betrachten. Die Erfindung wird mit zusätzlicher Spezifität und Detail durch die Verwendung der beigefügten Zeichnung beschrieben und erläutert.In order to illustrate various aspects of some embodiments of the present invention, a more detailed description of the invention will be given by reference to certain embodiments illustrated in the accompanying drawings. It is understood that this drawing shows only illustrated embodiments of the invention and therefore should not be considered as limiting its scope. The invention will be described and explained with additional specificity and detail through the use of the accompanying drawings.
Damit die Vorteile der vorliegenden Erfindung leicht verstanden werden, wird im Folgenden eine detaillierte Beschreibung der Erfindung in Verbindung mit der beigefügten Zeichnung erörtert, die jedoch nicht als Beschränkung des Umfangs der Erfindung auf die beigefügte Zeichnung angesehen werden sollte, in der:
DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION
Die vorliegende Erfindung bezieht sich auf ein auf Deep Learning basierendes System (100) zur Verbesserung der Leistung der Stimmungsanalyse von Social-Media-Daten unter Verwendung von ManagementstrategienThe present invention relates to a deep learning based system (100) for improving the performance of sentiment analysis of social media data using management strategies
Die beschriebene Erfindung bietet ein integriertes System, das speziell für die Verbesserung der Stimmungsanalyse von Social-Media-Daten entwickelt wurde. Durch die Verschmelzung modernster Deep-Learning-Methoden mit Managementstrategien verspricht das System ein besseres Verständnis und eine bessere Interpretation von Stimmungen auf digitalen Plattformen.The invention described provides an integrated system specifically designed to improve sentiment analysis of social media data. By merging the most modern Using deep learning methods with management strategies, the system promises a better understanding and interpretation of sentiment on digital platforms.
Deep Learning-Modul (1):Deep learning module (1):
Das Herzstück des Systems ist das Deep-Learning-Modul (1). In diesem Modul befinden sich Modelle, die intensiv auf einer Vielzahl von Datensätzen trainiert wurden, die von bekannten Social-Media-Plattformen wie Twitter, Facebook, Linkedln und Instagram stammen. Jedes Modell ist sich der idiosynkratischen Stile und sprachlichen Feinheiten bewusst, die für die jeweilige Plattform typisch sind, und bietet so eine nuancierte Stimmungsanalyse, die auf die Umgebung der jeweiligen Plattform zugeschnitten ist. Um den individuellen Bedürfnissen verschiedener Unternehmen gerecht zu werden, verfügt dieses Modul über eine leistungsstarke Funktion des Transfer-Lernens. Diese Funktion ermöglicht es Unternehmen, auf das grundlegende Wissen der vortrainierten Modelle zurückzugreifen und sie mit Hilfe von unternehmensspezifischen Daten weiter zu optimieren. Diese doppelte Fähigkeit gewährleistet ein Gleichgewicht zwischen allgemeinem Verständnis und Nischenspezifität. Darüber hinaus verfügt das Deep Learning-Modul (1) über einen Autotuning-Mechanismus, ein zentrales Werkzeug im Bereich des Deep Learning. Die Hyperparameter, d. h. die entscheidenden Parameter, die die Leistung des Modells beeinflussen, werden durch diese Funktion dynamisch angepasst, um sicherzustellen, dass die Stimmungsanalysetools auf dem Höhepunkt ihrer Effizienz arbeiten.The heart of the system is the deep learning module (1). This module contains models that have been intensively trained on a variety of datasets coming from well-known social media platforms such as Twitter, Facebook, Linkedln and Instagram. Each model is aware of the idiosyncratic styles and linguistic subtleties unique to each platform, providing nuanced sentiment analysis tailored to each platform's environment. In order to meet the individual needs of different companies, this module has a powerful transfer learning function. This function allows companies to draw on the fundamental knowledge of the pre-trained models and further optimize them with the help of company-specific data. This dual capability ensures a balance between general understanding and niche specificity. In addition, the deep learning module (1) has an autotuning mechanism, a central tool in the field of deep learning. The hyperparameters, i.e. H. The crucial parameters that affect the performance of the model are dynamically adjusted through this feature to ensure that the sentiment analysis tools operate at the peak of their efficiency.
Datenerfassungsmodul (2):Data acquisition module (2):
Um in der schnelllebigen Welt der sozialen Medien agil zu bleiben, ist das Datenerfassungsmodul (2) mit der Fähigkeit ausgestattet, Daten durch API-Integrationen in Echtzeit zu nutzen. Dabei handelt es sich nicht um bloße Datenpipelines, sondern um die Lebensadern des Systems, die eine sofortige und kontinuierliche Datenextraktion aus Social-Media-Plattformen gewährleisten. Aber rohe, unverarbeitete Daten sind wie ein ungeschliffener Diamant. Aus diesem Grund integriert das Datenerfassungsmodul (2) eine Reihe von hochentwickelten Tools zur Verarbeitung natürlicher Sprache (NLP). Durch Prozesse wie Tokenisierung, Stemming und Lemmatisierung verfeinern und bereiten diese Tools Textdaten sorgfältig auf und verwandeln sie in ein strukturiertes Format, das für die Interpretation durch Deep Learning bereit ist.To remain agile in the fast-paced world of social media, the data collection module (2) is equipped with the ability to consume data in real time through API integrations. These are not mere data pipelines, but rather the lifelines of the system that ensure immediate and continuous data extraction from social media platforms. But raw, unprocessed data is like a diamond in the rough. For this reason, the data acquisition module (2) integrates a set of sophisticated natural language processing (NLP) tools. Through processes such as tokenization, stemming, and lemmatization, these tools carefully refine and prepare text data, transforming it into a structured format ready for interpretation by deep learning.
Modul Management-Strategien (3):Management strategies module (3):
In der Erkenntnis, dass die Stimmungsanalyse kein statisches Feld ist, verleiht das Modul Managementstrategien (3) dem System Anpassungsfähigkeit. Modelle in der Welt der sozialen Medien können es sich nicht leisten, statisch zu bleiben, da sie sonst veraltet sind. Dieses Modul umfasst nicht nur kontinuierliche Feedbackschleifen zur Verfeinerung und Neukalibrierung von Modellen, sondern auch aktive Lernstrategien. Diese Strategien sind für mehrdeutige Datenpunkte von entscheidender Bedeutung, da sie ein menschliches Eingreifen zur Verbesserung der Modellgenauigkeit erfordern. Darüber hinaus wird das Klassenungleichgewicht, eine notorische Herausforderung in der Stimmungsanalyse, mit Hilfe von Tools, die Oversampling, Undersampling und die Generierung synthetischer Daten verwalten, geschickt angegangen, um sicherzustellen, dass keine Stimmung aufgrund mangelnder Datenrepräsentation uninterpretiert bleibt.Recognizing that sentiment analysis is not a static field, the Management Strategies module (3) gives the system adaptability. Models in the world of social media cannot afford to remain static or they will become outdated. This module not only includes continuous feedback loops for refining and recalibrating models, but also active learning strategies. These strategies are critical for ambiguous data points as they require human intervention to improve model accuracy. Additionally, class imbalance, a notorious challenge in sentiment analysis, is skillfully addressed using tools that manage oversampling, undersampling, and synthetic data generation to ensure that no sentiment is left uninterpreted due to lack of data representation.
Benutzerschnittstellenmodul (4):User interface module (4):
Die Stimmungsanalyse zu verstehen ist eine Sache, die Ergebnisse zu visualisieren und mit ihnen zu interagieren eine andere. Das Benutzerschnittstellenmodul (4) ist die vorderste Komponente des Systems und bietet den Benutzern eine intuitive Plattform. Von dynamischen Grafiken und Visualisierungen, die Stimmungstrends aufzeichnen, bis hin zu einer Empfehlungsmaschine, die potenzielle Geschäftsstrategien auf der Grundlage von Stimmungsergebnissen vorschlägt, stellt dieses Modul sicher, dass Erkenntnisse nicht nur abgeleitet werden, sondern auch umgesetzt werden können. Echtzeit-Warnmechanismen, die Teil dieses Moduls sind, stellen sicher, dass die Benutzer über signifikante Stimmungsänderungen benachrichtigt werden, so dass ein rechtzeitiges Eingreifen möglich ist.Understanding sentiment analysis is one thing, visualizing and interacting with the results is another. The user interface module (4) is the front-end component of the system and provides users with an intuitive platform. From dynamic graphs and visualizations that record sentiment trends to a recommendation engine that suggests potential business strategies based on sentiment results, this module ensures that insights are not only derived but also actionable. Real-time alert mechanisms that are part of this module ensure that users are notified of significant changes in mood, allowing timely intervention.
Datenspeichermodul (5):Data storage module (5):
Im digitalen Zeitalter sind Daten eine Bereicherung, aber auch eine Belastung, wenn sie nicht richtig behandelt werden. Das Datenspeichermodul (5) trägt diesem Umstand Rechnung, indem es der Datensicherheit und dem Datenschutz Vorrang einräumt. Durch den Einsatz mehrstufiger Verschlüsselungstechniken gewährleistet dieses Modul, dass sowohl Rohdaten als auch verarbeitete Daten sicher gespeichert werden. Das Modul folgt globalen Cybersicherheitsprotokollen und integriert auch Lösungen für die Notfallwiederherstellung, um die Integrität und Verfügbarkeit der Daten auch in unvorhergesehenen Situationen zu gewährleisten.In the digital age, data is an asset, but also a burden if not handled properly. The data storage module (5) takes this circumstance into account by giving priority to data security and data protection. By using multi-level encryption techniques, this module ensures that both raw and processed data are stored securely. The module follows global cybersecurity protocols and also integrates disaster recovery solutions to ensure data integrity and availability even in unforeseen situations.
Zusammen bilden diese Module ein zusammenhängendes, robustes System, das nicht nur dazu dient, Stimmungen in sozialen Medien zu verstehen und zu interpretieren, sondern auch umsetzbare Erkenntnisse zu liefern, die Unternehmen dabei helfen, sich in der komplexen Welt der Online-Meinungen und Emotionen zurechtzufinden.Together, these modules form a cohesive, robust system designed to not only understand and interpret sentiment on social media, but also provide actionable insights to help companies navigate the complex world of online opinions and emotions .
Die Abbildung und die vorangehende Beschreibung zeigen Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Blockdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden, und es müssen auch nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt.The illustration and the preceding description show examples of embodiments. The person skilled in the art will understand that one or more of the elements described can certainly be combined into a single functional element. Alternatively, certain elements can be divided into several functional elements. Elements from one embodiment may be added to another embodiment. For example, the order of the processes described herein may be changed and is not limited to the manner described herein. Additionally, the actions of a block diagram do not have to be performed in the order shown, nor do all of the actions necessarily have to be performed. Those actions that are not dependent on other actions can also be carried out in parallel with the other actions. The scope of the embodiments is in no way limited by these specific examples.
Obwohl Ausführungsformen der Erfindung in einer für strukturelle Merkmale und/oder Methoden spezifischen Sprache beschrieben wurden, sind die beigefügten Ansprüche nicht notwendigerweise auf die beschriebenen spezifischen Merkmale oder Methoden beschränkt. Vielmehr werden die spezifischen Merkmale und Methoden als Beispiele für Ausführungsformen der Erfindung offenbart.Although embodiments of the invention have been described in language specific to structural features and/or methods, the appended claims are not necessarily limited to the specific features or methods described. Rather, the specific features and methods are disclosed as examples of embodiments of the invention.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- US 20170117133 A1 [0011]US 20170117133 A1 [0011]
- US 20150339672 A1 [0012]US 20150339672 A1 [0012]
Zitierte Nicht-PatentliteraturNon-patent literature cited
- Deep Learning for Sentiment Analysis: A Survey“ von Li Zhang, Zhongqing Wang und Bing Liu [0014]Deep Learning for Sentiment Analysis: A Survey” by Li Zhang, Zhongqing Wang and Bing Liu [0014]
Claims (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202023105444.7U DE202023105444U1 (en) | 2023-09-19 | 2023-09-19 | Deep learning based system to improve the performance of sentiment analysis on social media data using management strategies |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202023105444.7U DE202023105444U1 (en) | 2023-09-19 | 2023-09-19 | Deep learning based system to improve the performance of sentiment analysis on social media data using management strategies |
Publications (1)
Publication Number | Publication Date |
---|---|
DE202023105444U1 true DE202023105444U1 (en) | 2023-09-29 |
Family
ID=88414554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE202023105444.7U Active DE202023105444U1 (en) | 2023-09-19 | 2023-09-19 | Deep learning based system to improve the performance of sentiment analysis on social media data using management strategies |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE202023105444U1 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369650A (en) * | 2023-12-08 | 2024-01-09 | 南昌菱形信息技术有限公司 | System and method for caring relatives and friends of evanescent person based on artificial intelligence |
CN117495109A (en) * | 2023-12-29 | 2024-02-02 | 国网山东省电力公司禹城市供电公司 | Electricity stealing user identification system based on deep well network |
CN117829096A (en) * | 2024-03-06 | 2024-04-05 | 山东迈麒信息科技有限公司 | Intelligent terminal display system based on data resources |
CN117829096B (en) * | 2024-03-06 | 2024-05-14 | 山东迈麒信息科技有限公司 | Intelligent terminal display system based on data resources |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339672A1 (en) | 2014-08-08 | 2015-11-26 | Brighterion, Inc. | Automation tool development method for building computer fraud management applications |
US20170117133A1 (en) | 2015-01-29 | 2017-04-27 | Hitachi Kokusai Electric Inc. | Method of manufacturing semiconductor device, substrate processing apparatus, and recording medium |
-
2023
- 2023-09-19 DE DE202023105444.7U patent/DE202023105444U1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339672A1 (en) | 2014-08-08 | 2015-11-26 | Brighterion, Inc. | Automation tool development method for building computer fraud management applications |
US20170117133A1 (en) | 2015-01-29 | 2017-04-27 | Hitachi Kokusai Electric Inc. | Method of manufacturing semiconductor device, substrate processing apparatus, and recording medium |
Non-Patent Citations (1)
Title |
---|
Deep Learning for Sentiment Analysis: A Survey" von Li Zhang, Zhongqing Wang und Bing Liu |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369650A (en) * | 2023-12-08 | 2024-01-09 | 南昌菱形信息技术有限公司 | System and method for caring relatives and friends of evanescent person based on artificial intelligence |
CN117495109A (en) * | 2023-12-29 | 2024-02-02 | 国网山东省电力公司禹城市供电公司 | Electricity stealing user identification system based on deep well network |
CN117495109B (en) * | 2023-12-29 | 2024-03-22 | 国网山东省电力公司禹城市供电公司 | Power stealing user identification system based on neural network |
CN117829096A (en) * | 2024-03-06 | 2024-04-05 | 山东迈麒信息科技有限公司 | Intelligent terminal display system based on data resources |
CN117829096B (en) * | 2024-03-06 | 2024-05-14 | 山东迈麒信息科技有限公司 | Intelligent terminal display system based on data resources |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smith et al. | Social media dialogues in a crisis: A mixed-methods approach to identifying publics on social media | |
DE202023105444U1 (en) | Deep learning based system to improve the performance of sentiment analysis on social media data using management strategies | |
Johansson et al. | Estimating citizen alertness in crises using social media monitoring and analysis | |
Zamith | Algorithms and journalism | |
DE102017111438A1 (en) | API LEARNING | |
Koslow | Sharing primary data: a threat or asset to discovery? | |
DE112016003112T5 (en) | Modeling personal entities | |
Chaudhari et al. | Propaganda analysis in social media: A bibliometric review | |
Chamberlain | Groupsourcing: Distributed problem solving using social networks | |
McKelvey et al. | Design and prototyping of a social media observatory | |
DE112020000927T5 (en) | MANAGE SENSITIVE DATA | |
Blohm et al. | Leveraging automated machine learning for text classification: Evaluation of automl tools and comparison with human performance | |
Gilardi et al. | Social media and policy responses to the COVID‐19 pandemic in Switzerland | |
Vos et al. | Enriched biodiversity data as a resource and service | |
Goldkuhl | From ensemble view to ensemble artefact–an inquiry on conceptualisations of the IT artefact | |
Nerone | Why journalism history matters to journalism studies | |
Shannag et al. | The design, construction and evaluation of annotated Arabic cyberbullying corpus | |
Catal et al. | Cross-Cultural Personality Prediction based on Twitter Data. | |
Guo et al. | A large-scale longitudinal multimodal dataset of state-backed information operations on Twitter | |
Casanovas | Open Source Intelligence, Open Social Intelligence and Privacy by Design. | |
US20210166331A1 (en) | Method and system for risk determination | |
Ndinojuo et al. | Reinvigorating the Framing Theory: Appraising Reports on Nigerian Military and Boko Haram Insurgency | |
Stanzel et al. | Diplomacy and artificial intelligence: reflections on practical assistance for diplomatic negotiations | |
Lowrey | Ecologies and fields: Changes across time in organizational forms and boundaries | |
Surber et al. | Ethical and Political Perspectives on Emerging Digital Technologies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R207 | Utility model specification | ||
R082 | Change of representative |
Representative=s name: LIPPERT STACHOW PATENTANWAELTE RECHTSANWAELTE , DE |