重新定义时间数据中的事件类型和群体演变
本文提出了一种三阶段方法,通过半监督的深度聚类模型和异常检测,结合聚类关键字提取方法,对金融领域中现有事件数据集中原有和未知事件类型的分类和聚类,从而通过增量方式发现新的事件类型,并在真实数据集中取得了显著成效。
Feb, 2023
本文提出一种基于事件的异构信息网络,结合外部知识库,基于元路径相似度搜索的社交事件检测和演化发现框架,并利用基于加权元路径实例相似性和文本语义表示的新颖 PP-GCN 对社交事件进行细粒度分类,该框架优于其他替代的社交事件检测和演化发现技术。
Apr, 2021
本文提出了一种基于物理学的热核和 DropNode 技术生成时间图增量的方法,用于描述系统的演变行为;同时,还提出了 GDTW 动态时间包裹距离的方法,用于量化演化系统之间的距离,结果在真实世界的结构图数据集上的分类问题中,通过演化核方法获得了显著的分类准确率提高。
Jun, 2023
提出了一种新颖的变分自编码器来捕捉时间动态的混合,通过使用学习到的依赖图来预测未来事件时间和事件类型,在预测真实世界事件序列中表现出更高的准确性,相较于现有先进的神经点过程。
Dec, 2023
TREND 是一种基于 Hawkes 过程的图神经网络,采用渐进的模式进行节点处理,并通过模型与节点动态驱动的个体化和集体特征分析方法来捕获事件之间的激动效应。在四个真实 - world 数据集上进行的广泛实验表明了模型的有效性。
Mar, 2022
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
本研究基于团块渗透,首次研究了大规模网络中重叠社区的时间演化规律,发现动态改变成员组成有利于大型社区的生存而不利于小型社区,同时成员对社区的时间承诺可预测社区的寿命。这些发现揭示了小组和大型机构动态差异的新视角。
Apr, 2007
本论文基于句子 - 和文档级别的通用分解语义(UDS)图上的推论属性,以及支持该归纳的领域内现有注释,提出一个与语义角色、实体和事件 - 事件关系分类相结合的事件结构分类。通过使用这些图结构化的文档级生成模型,这篇论文识别了包括语境中细粒度事件的时间和语法结构的大量推论属性,从而构建了目前最大的事件结构和(部分)事件指代注释数据集。
Mar, 2021