Popular mobile applications receive millions of user reviews. These reviews contain relevant information for software maintenance, such as bug reports and improvement suggestions. The review’s information is a valuable knowledge source for software requirements engineering since the apps review analysis helps make strategic decisions to improve the app quality.

O trabalho propõe o método SVAE, um Variational Autoencoder Semântico que representa os eventos. O método é formado por: (i) um modelo de linguagem dependente de contexto Bidiretional Encoder From Transformers (BERT) (considerado um dos estado-da-arte para tarefas envolvendo texto) que captura características sintáticas e semânticas dos textos; e (ii) um Variational Autoencoder, considerado um dos estado-da-arte para aprendizado de representação.

O trabalho propõe o método TripleVAE, um Variational Autoencoder Multimodal que representa os eventos. O método explora três modalidades: (i) embeddings geradas pelo modelo de linguagem dependente de contexto Bidiretional Encoder From Transformers (considerado um dos estado-da-arte para tarefas envolvendo texto) que capturam características sintáticas e semânticas dos textos; (ii) informação de tópicos dos eventos, uma vez que eventos contêm tópicos bem definidos e (iii) geolocalização dos eventos (latitude e longitude)

Qual a intenção do autor ao realizar um post em rede social? Neste trabalho, investigamos métodos de aprendizado de máquina multimodais para detectar automaticamente a intenção de posts. A inovação é explorar tanto a informação visual quanto textual, bem como lidar com modalidades faltantes. O trabalho foi publicado no Webmedia 2021 como short paper e foi agraciado como best short paper do Webmedia 2021.

Neste artigo, propomos uma abordagem para a extração de aspectos em um cenário de transferência de conhecimento multi-domínio, aproveitando assim os dados rotulados de diferentes domínios (origem) para extrair aspectos de um novo domínio não rotulado (destino)

Notícias falsas podem rapidamente se disseminar entre usuários da internet, enganando um amplo número de pessoas à medida que são aceitas e compartilhadas. Para minimizar a disseminação de desinformação, abordagens propostas na literatura para classificação de conteúdos geralmente aprendem modelos por meio de algoritmos supervisionados, considerando informações textuais e contextuais para representar notícias verdadeiras e falsas. No entanto, notícias reais possuem um espectro amplo e de difícil caracterização, extenso para rotular. Algoritmos de aprendizado positivo e não rotulado (PUL) podem ser boas alternativas neste cenário.

This paper addresses the dependence issues inherent from spatial data by proposing a novel graph-based Spatial Cross Validation approach designed to assess models learned with selected features from spatially contextualized electoral datasets.

This paper proposes a simple data science pipeline to analyze Brazilian elections at the municipal level, in the spatial and temporal dimensions.

O trabalho propõe o método MVAE-FakeNews, um Variational Autoencoder Multimodal que representa os textos de notícias falsas.