从 Twitter 数据流中提取城市事件的深度多视图学习框架
社会与信息网络
2017-05-30 v1 计算与语言
摘要
几个世纪以来，由于其复杂的基础设施，城市一直是居民繁荣发展的场所。信息物理社会系统（CPSS）和上下文感知技术的出现，促进了人们对分析、提取并最终理解城市事件的日益浓厚的兴趣，这些事件随后可被用于丰富居民对其城市的观察。在本文中，我们研究了使用 Twitter 文本流提取城市事件的可行性。我们提出了一种层次化多视图深度学习方法，以将居民对各种城市系统和服务的观察情境化。我们的目标是构建一个灵活的架构，该架构能够学习对任务有用的表示，从而避免过度的特定任务特征工程。我们将我们的方法应用于一个真实世界的数据集，该数据集包含来自旧金山湾区数据集超过四个月的事件报告和推文，以及从伦敦收集的额外数据集。我们的评估结果表明，我们提出的解决方案优于现有模型，可用于提取与城市相关的事件，在所有类别上的平均准确率为 81%。为了进一步评估我们的 Twitter 事件提取模型的影响，我们使用了两个授权报告来源：通过 Transport for London API 收集道路交通中断数据，以及解析 Time Out London 网站获取社会文化事件。分析表明，49.5% 的 Twitter 交通评论大约在官方记录发布前五小时被报告。此外，我们发现，在预定的社会文化事件主题中，报道交通、文化和社会事件的推文比体育、天气和犯罪主题的推文影响 Twitter 评论分布的可能性高 31.75%。
引用
@article{arxiv.1705.09975,
title = {A Deep Multi-View Learning Framework for City Event Extraction from Twitter Data Streams},
author = {Nazli Farajidavar and Sefki Kolozali and Payam Barnaghi},
journal= {arXiv preprint arXiv:1705.09975},
year = {2017}
}