AAAIMar, 2024

基于复杂社交媒体数据流的关键社会事件的时间序列分析

PDF
TL;DR研究采用定量基于语料库的话语分析技术，探索了社交媒体平台 GAB 和通讯服务 Telegram 上叙事演化的方法，通过识别关键的名词和动词进行深入研究，从而获得有价值且可操作的洞察。该研究对于时间序列相关信息挖掘提供了有用的方法，可以促进积极社会参与的前瞻性方式。
social media platformsnarrative evolutiondiscourse analysis techniquesgabtelegram
发现论文，激发创造
  • 在线讨论中集体叙事位移的发现

    本研究提出了一种系统的叙述性发现框架，通过改变点检测、语义角色标注（SRL）和叙事片段的自动聚合来解决大规模文本下叙述性的提取，并在两个 Twitter 语料库中评估了我们的模型，结果表明我们的方法可以恢复相应于重大事件的主要叙述转变。

    Jul, 2023

  • 面向复杂事件的社交信息感知时间轴生成

    本论文提出了一种优化框架，设计用于平衡文章和评论摘要之间的主题连贯性以及其信息性和事件覆盖面。在真实数据集上自动评估表明，与现有系统相比，我们的系统生成的时间线更具信息性。在人类评估中，相关评论摘要更被认为具有洞察力。

    Jun, 2016

  • 推特数据中社会动荡的预警信号

    本项目的目标是通过使用社交媒体上的公开可用数据来创建和研究识别早期警报信号的新技术，这些信号预示着社会失序事件，如暴动、战争或革命。该研究的一般想法是建立一个二元分类器，预测给定的推文是否与破坏性事件有关。结果表明，基于拓扑的算法稳定性较高，比基于深度学习的异常检测算法表现更好。我们还对方法的普适性进行了测试，结果非常有前途。

    Mar, 2023

  • EnrichEvent：为新兴事件提取丰富的社交数据和背景信息

    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

  • 社交对话：在社交媒体上捕捉议程和情绪

    通过提取社交媒体上的信息可获得人们对公共事件的意见和社会动态的有价值见解，本文提出了一种从特定话题的用户组讨论中提取影响指标的新方法，重点关注议程控制和情感语言的使用。

    Feb, 2024

  • 社交媒体平台时间序列情感分析及其在激进化研究中的应用

    该研究论文论述了纵向情感分析如何呈现社交媒体平台上的时间动态，存在哪些挑战，以及纵向透视如何使研究更具价值，并通过对 2021 年 1 月 6 日美国国会大厦冲击事件期间的推文进行情感分析的实际应用，探索纵向情感分析在激进化研究领域中的适用性、限制性和局限性，结果表明在某些条件下，纵向情感分析可以提高基于证据的激进化预测的准确性。

    Oct, 2022

  • 在 Crowd4SDG 中使用众包分析社交媒体

    本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。

    Aug, 2022

  • 图形语言模型（GLM）：一种新的基于图形的社会不稳定性检测方法

    采用自然语言处理、图论、派系分析和语义关系等方法进行重要政治事件的提前预测，通过对新闻数据中隐藏的预测信号进行挖掘，我们的方法在美国抗议、乌克兰战争和法国抗议等 11 个事件上表现出了比基准方法更早和更准确的预测能力。

    Mar, 2024

  • 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