基于主題模型的Twitter事件檢測.pdf_第1頁
已閱讀1頁,還剩75頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著Twitter等社交網(wǎng)絡(luò)應(yīng)用的迅速發(fā)展,越來越多的用戶在上面發(fā)布實時信息、更新個人狀態(tài)、表達(dá)自己的觀點想法等。Twitter上的事件檢測逐漸成為一個熱門的研究話題,吸引了越來越多學(xué)者的關(guān)注。雖然 Twitter上的數(shù)據(jù)相對于傳統(tǒng)的新聞媒體、網(wǎng)絡(luò)博客等數(shù)據(jù)有更新實時、覆蓋范圍廣、用戶參與度高等優(yōu)點,但是Tweets數(shù)據(jù)的單條信息量少、噪音大、更新頻繁、總數(shù)據(jù)量大等特點也給事件檢測帶來了很大的挑戰(zhàn)。
  本文提出一種基于主題模型的

2、 Twitter事件檢測算法 GEAM(General and Event-related Aspects Model),該模型通過模擬一條與現(xiàn)實事件相關(guān)的Tweet的生成過程將Tweet中描述事件相關(guān)方面的詞項(Event-related Aspects words)和與事件無關(guān)的常用詞項(General words)區(qū)分開來。同時,我們也提出Collapsed Gibbs Sampling算法對GEAM模型進(jìn)行估計和推理,以得到描述

3、不同事件的詞項分布。此外,我們還提出了GEAM模型的在線式變形算法,實時檢測連續(xù)的Tweets數(shù)據(jù)流中產(chǎn)生的事件并且追蹤該事件的演化過程。
  本文設(shè)計了一系列的實驗用以評估 GEAM模型的有效性。大規(guī)模真實Tweets數(shù)據(jù)集(超過6百萬條Tweets)上的實驗表明,GEAM模型在查準(zhǔn)率(Precision),查全率(Recall)和重復(fù)事件檢測率(DERate)都優(yōu)于傳統(tǒng)LDA主題模型。GEAM模型采用(時間,地點,實體,核心詞

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論