一种用于微博事件检测中联合关键词发现与期望估计的人机闭环方法
信息检索
2019-12-03 v1 人工智能
计算与语言
摘要
Twitter等微博平台正越来越多地用于事件检测。现有方法主要使用机器学习模型，并依赖事件相关关键词来收集模型训练数据。这些方法对包含该关键词的相关微帖的分布（称为该分布的期望）做了强假设，并将其作为模型训练中的后验正则化参数。然而，这类方法存在局限，因为它们无法可靠地估计关键词及其期望对模型训练的信息量。本文提出一种人机闭环（Human-AI loop）方法，在联合发现用于模型训练的信息性关键词的同时估计其期望。我们的方法迭代地利用众包来估计关键词特定期望以及众包与模型之间的分歧，从而发现对模型训练最有益的新关键词。这些关键词及其期望不仅提升了最终性能，还使模型训练过程更加透明。我们在多个真实世界数据集上从准确性和可解释性两方面实证展示了本方法的优势，并表明我们的方法将当前最优（SOTA）水平提升了24.3%。
引用
@article{arxiv.1912.00667,
title = {A Human-AI Loop Approach for Joint Keyword Discovery and Expectation Estimation in Micropost Event Detection},
author = {Akansha Bhardwaj and Jie Yang and Philippe Cudré-Mauroux},
journal= {arXiv preprint arXiv:1912.00667},
year = {2019}
}
备注
Accepted at AAAI, 2020