通过社交网络上的ARIMA时间序列分析解码多语言主题动态与趋势识别：一种由LDA/HDP模型增强的新型数据翻译框架
计算与语言
2024-03-27 v1 人工智能
机器学习
社会与信息网络
摘要
在本研究中，作者提出了一种新颖的方法论，能够解码多语言主题动态并识别危机期间的沟通趋势。我们聚焦于冠状病毒大流行期间突尼斯社交网络中的对话以及其他显著主题（如体育和政治）。我们首先聚合了一个与这些主题相关的多样化多语言评论语料库。该数据集在数据预处理阶段经过严格精炼。然后，我们引入了“非英语到英语机器翻译”方法来处理语言差异。该方法的实证测试显示出高准确率和F1分数，突显了其适用于语言连贯性任务。进一步地，我们采用高级建模技术，特别是LDA和HDP模型，从翻译后的内容中提取相关主题。这进而应用ARIMA时间序列分析来解码不断演变的主题趋势。将我们的方法应用于一个多语言突尼斯数据集，我们有效地识别了反映公众情绪的关键主题。这些见解对于努力在危机期间理解公众观点的组织和政府至关重要。与标准方法相比，我们的模型表现更优，这一点由一致性分数、U-mass和主题一致性等指标所证实。此外，对识别主题的深入评估揭示了讨论中显著的主题转变，我们的趋势识别显示出令人印象深刻的准确性，这得到了基于RMSE分析的支持。
引用
@article{arxiv.2403.15445,
title = {Decoding Multilingual Topic Dynamics and Trend Identification through ARIMA Time Series Analysis on Social Networks: A Novel Data Translation Framework Enhanced by LDA/HDP Models},
author = {Samawel Jaballi and Azer Mahjoubi and Manar Joundy Hazar and Salah Zrigui and Henri Nicolas and Mounir Zrigui},
journal= {arXiv preprint arXiv:2403.15445},
year = {2024}
}