社交媒体上故事的高效自动检测方法
本文介绍了 PHEME 项目开发的一种收集和抽样会话线程的方法，以及用于识别谣言的工具，并描述了针对 2014 年弗格森动荡期间收集的线程进行的注释任务，结果表明我们可以有效地收集社交媒体谣言并识别与多个故事相关的谣言。
Apr, 2015
本文研究采用自适应机制对推特上不断更新的新闻故事进行跟踪和概括，基于 ROUGE 度量方法验证自适应机制最适用于跟踪 Twitter 上新闻事件的演变。
Mar, 2014
本研究提出了一种以聚类为基础的实时事件发现系统，能够将 Twitter 上的实时数据进行聚类，识别出不同的事件，并使用 novel metric 评估聚类方法的效果和在实时和线下模式下的表现，实验结果表明该系统在大规模数据上具有很高的效率和准确性。
Jul, 2019
本文探讨了实时总结日程安排事件（例如从 Twitter 流中总结足球比赛）的方法，通过子事件检测和推文筛选进行了评估，证明了这种文本分析方法可以高效地总结所有类型的子事件，这种方法可应用于其他日程安排事件。
Apr, 2012
本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。
May, 2016
本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。
Jun, 2020
研究发现 Twitter 可以作为传感器，用于实时检测频繁且不同类型的社交和物理事件，其效率已超过 90％，将很有用于实时电子节目指南以及广告位的竞拍。同时，对于首次使用 Twitter 进行实时社交和物理事件检测的可行性进行了证明，为普适计算提供了支持。
Jun, 2011
该研究提出了一种将社交媒体评论和视频相结合的简单而有效的方法来创建电视事件的多媒体摘要，包括基于人物提及频率的场景识别和在此时段内自动选择相关 tweets 和视频画面等。
Mar, 2022
本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。
Jul, 2020