Mar, 2024
通过社交网络上的ARIMA时间序列分析解码多语言主题动态和趋势识别：由LDA/HDP模型增强的新型数据转化框架
Decoding Multilingual Topic Dynamics and Trend Identification through
ARIMA Time Series Analysis on Social Networks: A Novel Data Translation
Framework Enhanced by LDA/HDP Models
TL;DR本研究介绍了一种新颖的方法，能够在危机期间解码多语种话题动态和识别通信趋势。我们关注突尼斯社交网络中的对话，涵盖新冠疫情以及运动和政治等其他重要主题。通过整合涉及这些主题的各种多语种评论语料库开始研究。接下来，我们介绍了无英语到英语的机器翻译方法来处理语言差异。我们的方法经过实证测试，表现出高准确率和F1分数，适用于语言连贯性任务。通过运用LDA和HDP模型，我们利用这些先进的建模技术从翻译内容中提取相关主题。然后，我们采用ARIMA时间序列分析方法来解码不断变化的主题趋势。将我们的方法应用于突尼斯的多语种数据集，我们有效地识别了反映公众情绪的关键主题。这种洞察对于组织和政府在危机期间努力理解公众观点至关重要。与标准方法相比，我们的模型表现更好，这一点得到了相关度评分、U-mass和话题连贯性等度量指标的确认。此外，对确定的主题进行深入评估揭示了讨论中的显著主题转变，而我们的趋势识别显示出令人印象深刻的准确性，并得到了基于RMSE的分析的支持。