面向社交媒体流的概念漂移自适应物理事件检测
社会与信息网络
2019-11-14 v1 计算机与社会
机器学习
机器学习
摘要
事件检测长期属于在静态数据集假设下运行的物理传感器的领域。社交媒体与网络接入的普及导致了社会或人类传感器的出现，其全球范围内报告事件。这值得开发能够利用逾 30 亿社交用户所提供的真正密集且高时空分辨率数据的事件检测器。概念漂移现象导致与某一主题相关的术语与信号随时间变化，使得静态机器学习失效。为此，我们提出一种用于社交传感器上物理事件检测的应用，其通过概念漂移自适应改进传统物理事件检测。我们的方法持续自动更新其机器学习分类器，无需人工干预。它整合异构来源数据，并设计用于处理弱信号事件（山体滑坡、野火，每事件约十帖）以及强信号事件（飓风、地震，每事件数十万帖）。我们在该应用上演示了一个山体滑坡检测器，其检测到的山体滑坡相比静态方法几乎多出 350%。我们的应用具有高性能：使用 2014 年训练的分类器，达到 0.988 的事件检测准确率，而静态方法为 0.762。
引用
@article{arxiv.1911.05494,
title = {Concept Drift Adaptive Physical Event Detection for Social Media Streams},
author = {Abhijit Suprem and Aibek Musaev and Calton Pu},
journal= {arXiv preprint arXiv:1911.05494},
year = {2019}
}