异构信息网络中的流式社交事件检测和演化发现
本文提出了一个事件元结构来表征社交事件的语义相关性并构建了一个基于事件的异构信息网络(HIN),该网络合并了外部知识库中的信息,并提出了一种新的基于 KIES 的 PP-GCN 模型,用于对社交事件进行分类。实验结果表明,该方法在社交事件分类方面优于其他替代方法。
Jun, 2019
本文提出了一个新颖的知识保持增量异构图神经网络(KPGNN),通过将复杂的社交信息建模为统一的社交图以提高数据利用率,并探索 GNN 的表达能力进行知识提取。KPGNN 使用对比损失函数适应不断变化的事件类型,并利用 GNN 的归纳学习能力从先前未见过的数据中扩展知识。最终的实验结果证明了 KPGNN 优于各种基线算法。
Jan, 2021
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
社交平台是传播和讨论真实事件信息的关键平台,本研究提出了一种利用社交数据的词汇、语义和上下文表示来检测社交事件的框架,通过利用上下文知识在最早的阶段检测语义相关的推文并提高聚类质量,进而展示每个事件的演变变化。经过广泛实验验证了该框架在检测和区分社交事件方面的有效性。
Jul, 2023
本文提出了一种利用混合图对比学习和增强增量聚类(HCRC)的无监督社交媒体事件检测方法,通过综合学习社交信息中的语义和结构鉴别信息,并利用增强增量聚类在完全无监督的方式下进行高效聚类。通过对 Twitter 和 Maven 数据集的全面实验评估,实验结果表明我们的方法取得了一致显著的性能提升,分别在传统的增量设置、半监督增量设置和完全无监督设置中达到的最大性能提升分别为 53%、45% 和 37%。
Dec, 2023
提出了一种 ETGNN 方法以在社交媒体上检测社交事件,该方法基于图神经网络,具有时态感知和确定性理论,通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理,最终实现了准确,可靠和鲁棒的社交事件检测。
May, 2022
本文介绍了一种名为 HISEvent 的框架,通过构建信息更丰富的消息图,在保留图神经网络方法优点的同时,无监督地进行社交事件检测,并克服了现有结构熵最小化算法的效率问题。实验证明,HISEvent 在封闭集和开放集环境下持续优于基于图神经网络的方法,在高效和稳健性方面取得了最新的 SOTA 社交事件检测结果。
Dec, 2023
本文提出了一个基于嵌入的框架 (ESim),以探索嵌入在网络结构中的相似度,并接受用户定义的元路径作为指导来学习嵌入向量。在大规模异构信息网络上进行的实验证明了 ESim 的有效性和可扩展性。
Oct, 2016