Um estudo sobre o aprimoramento de tuítes com base na substituição de adjetivos

• Juliano M. Pasa UFSM
• Lucas L. de Oliveira UFRGS
• Sérgio L. S. Mergen UFSM

DOI: https://doi.org/10.5753/erbd.2021.17244

Resumo

Hoje em dia, redes sociais como o Twitter são usadas não apenas para entretenimento, mas como uma ferramenta de trabalho, seja de cunho político, artístico ou puramente comercial. Muitas das mensagens publicadas são concebidas com cuidado, de modo a fidelizar e ampliar a base de seguidores. Nesse contexto, este trabalho propõe a reescrita de tuítes visando aumentar o seu engajamento. A reescrita proposta substitui adjetivos por sinônimos considerados mais adequados, levando em consideração os adjetivos que são comumente associados à tuítes com alta taxa de engajamento. Os resultados experimentais usando um algoritmo de aprendizado de máquina como avaliador demonstram que o processo de reescrita potencialmente gera tuítes melhores.

Referências

Benevenuto, F., Magno, G., Rodrigues, T., and Almeida, V. (2010). Detecting spammers on twitter. In Collaboration, electronic messaging, anti-abuse and spam conference (CEAS), volume 6, page 12.

Chen, M. X., Lee, B. N., Bansal, G., Cao, Y., Zhang, S., Lu, J., Tsay, J., Wang, Y., Dai, A. M., Chen, Z., et al. (2019). Gmail smart compose: Real-time assisted writing. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pages 2287–2295.

Derczynski, L., Ritter, A., Clark, S., and Bontcheva, K. (2013). Twitter part-of-speech tagging for all: Overcoming sparse and noisy data. In Proceedings of the international conference recent advances in natural language processing ranlp 2013, pages 198– 206.

Duan, Y., Jiang, L., Qin, T., Zhou, M., and Shum, H.-Y. (2010). An empirical study on learning to rank of tweets. In Proceedings of the 23rd International Conference on Computational Linguistics, COLING ’10, pages 295–303, Stroudsburg, PA, USA. Association for Computational Linguistics.

Goldfarb-Tarrant, S., Feng, H., and Peng, N. (2019). Plan, write, and revise: an interactive system for open-domain story generation. arXiv preprint arXiv:1904.02357.

Jain, G., Sharma, M., and Agarwal, B. (2019). Spam detection in social media using convolutional and long short term memory neural network. Annals of Mathematics and Artificial Intelligence, 85(1):21–44.

Naveed, N., Gottron, T., Kunegis, J., and Alhadi, A. C. (2011). Bad news travel fast: A content-based analysis of interestingness on twitter. In Proceedings of the 3rd International Web Science Conference, WebSci ’11, pages 8:1–8:7, New York, NY, USA. ACM.

Oliveira, L. L. and Mergen, S. L. S. (2018). Análise da popularidade de tuítes com base em características extraídas de seu conteúdo. Escola Regional de Banco de Dados (ERBD), 14(1/2018).

Pillat, V. G. and Pillat, V. G. (2017). Comparação entre duas fórmulas utilizadas para o cálculo da taxa de engajamento utilizando como base a porcentagem de visualizações e o total de fãs. Revista Brasileira de Pesquisas de Marketing.

Shang, L., Lu, Z., and Li, H. (2015). Neural responding machine for short-text conversation. arXiv preprint arXiv:1503.02364.

Suh, B., Hong, L., Pirolli, P., and Chi, E. H. (2010). Want to be retweeted? large scale analytics on factors impacting retweet in twitter network. In 2010 IEEE Second International Conference on Social Computing, pages 177–184. IEEE.

Xu, Q., Xu, C., and Qu, L. (2019). Alter: Auxiliary text rewriting tool for natural language generation. arXiv preprint arXiv:1909.06564.

Zhang, Q., Gong, Y., Wu, J., Huang, H., and Huang, X. (2016). Retweet prediction with attention-based deep neural network. In Proceedings of the 25th ACM international on conference on information and knowledge management, pages 75–84.