ACLMar, 2019

利用序列标记技术从 Twitter 数据流中检测子事件

PDF
TL;DR本文提出了基于神经序列模型的改进方法，不仅在个别帖子层面，而且直接在流媒体层面上进行社交媒体流中的子事件检测，采用递归神经网络模型显式地考虑了帖子的时间顺序，提高了 2.4% 的 bin-level F1 值。
sub-event detectionsocial media streamsneural sequence modelssequence labeling taskrecurrent neural network model
发现论文，激发创造
  • 大规模灾害中无监督子事件检测

    本文提出了一种利用语义嵌入和无监督学习的方法，在社交媒体的帖子数据集中对于重大自然灾害的子事件进行识别，并对其进行分析和分类。通过对两组数据集进行实验证明了该方法的有效性和优越性。

    Dec, 2019

  • 基于 Twitter 流的事件实时摘要

    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

  • 学习约束和描述性分割用于子事件检测

    提出了将事件分段作为辅助任务以改善子事件检测学习的方法，并采用整流网络进行约束学习，并将学习到的约束转换为神经模型的损失函数中的正则化项，实验结果表明，该方法在子事件检测中比基准方法分别提高了 2.3％和 2.5％的性能，同时在事件分割预测方面表现良好。

    Sep, 2021

  • 事件预测的序列到序列学习

    本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法，以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预测的度量标准，因此我们结合第二个评估，利用事件的黄金释义集的丰富语言注释来补充我们的研究。

    Sep, 2017

  • 社交数据流的实时事件检测

    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

  • 基于流式社交帖子的事件演化跟踪

    本文提出了一种基于社交媒体流的实时事件跟踪方法，包括事件检测、演化模式追踪、以及通过核心帖子绘制草图图形和词云展示等，能够有效处理大量噪声数据。

    Nov, 2013

  • 基于分层狄利克雷过程的 Twitter 子故事检测

    本研究旨在使用基于概率主题模型的层次狄利克雷过程（HDP）方法进行社交媒体平台上的子事件检测，并对其性能与基于局部敏感哈希和谱聚类的现有方法进行比较，结果表明 HDP 具有更高的召回率和更高的精度。此外，研究还显示，在 Twitter 数据集上，会话结构也可以用于显著提高子事件检测的性能。

    Jun, 2016

  • 基于搜索的神经模型用于生物医学嵌套和重叠事件检测

    本研究针对嵌套和重叠事件检测任务，提出了一种新的基于搜索的神经网络（SBNN）结构预测模型。该模型将任务视为触发器 - 参数结构的关系图上的搜索问题，并定义了构建事件的操作。在不使用任何句法和手动设计的特征的情况下，在 BioNLP 癌症遗传学共享任务 2013 上，该模型达到了与 TEES 模型可比的性能，同时在开发集上的进一步分析表明，该模型在提高 F1 分数性能的同时更具有计算效率。

    Oct, 2019

  • 社交媒体流的事件检测：方法、数据集和机会

    本文介绍了社交媒体上事件检测的方法和数据集，探讨了该领域的研究机会。

    Jun, 2023

  • 社交媒体文本上基于弱监督的细粒度事件识别在灾害管理中的应用

    本文通过弱监督学习建立高质量的社交媒体紧急信息分类器，使用 Twitter 上的微博信息以及事件关键词帮助快速生成高质量的标签化数据，利用前续信息和回复信息来丰富微博表示方法以处理嘈杂短小的用户生成信息，且仅需 1-2 人时的人工监督即可在两次飓风期间实现优于需要 50 人时手动标注的管理分类器。

    Oct, 2020