超越社交媒体分析：利用自结构化增量机器学习理解人类行为与深层情感

本论文开发了一个概念框架，将社交数据视为人类社交行为、需求与认知层级结构的表层，并借此将社交数据转化为保留社交行为及其因果关系的表示。基于该框架构建了两个平台，以从快节奏与慢节奏社交数据中获取洞察。针对快节奏数据，开发了自结构化与增量学习技术，以自动捕捉显著主题及相应的随时间动态变化。开发了事件检测技术，利用量与情感等多重指标自动监测那些已识别主题路径中的社交行为显著波动。该平台使用两个各含超100万条推文的大型数据集进行了演示。分离出的主题路径代表了各实体的关键主题，且针对主题一致性度量具有连贯性。识别出的事件与新闻中报道的同期事件进行了验证。其次，针对慢节奏社交数据，开发了一系列新的机器学习与自然语言处理技术，以自动捕捉个体的自我披露信息，如人口统计特征、情感及个人事件时间线。该平台在从在线支持小组收集的逾400万条帖子的文本语料上进行了试用。进一步扩展该平台，将前列腺癌相关在线支持小组讨论转化为多维表示，并研究了患者（及伴侣）自我披露的生活质量随时间、人口统计与临床因素的变化。该扩展平台的能力已通过使用从10个前列腺癌在线支持小组收集的包含609,960条前列腺癌讨论和22,233名患者的文本语料得到证明。