无限演化聚类模型的高效在线推断及其在潜在社会事件发现中的应用
人工智能
2017-08-22 v1 计算与语言
社会与信息网络
摘要
Recurrent Chinese Restaurant Process (RCRP) 是一种强大的统计方法，用于对大规模社交媒体数据中的演化聚类进行建模。通过 RCRP，可以允许模型中聚类的数量和聚类参数随时间变化。然而，由于聚类演化先验与多项式似然之间的非共轭性，RCRP 的应用在很大程度上受到了限制。这种非共轭性使得推断变得困难，并限制了使用 RCRP 的模型的可扩展性，导致 RCRP 仅应用于简单问题中，例如那些可以由单个高斯发射近似的问题。在本文中，我们为 RCRP 的非共轭性问题提供了一种新颖的解决方案，并给出了如何将我们的解决方案应用于一个特定问题——社会事件发现问题的示例。通过在推断中利用 Sequential Monte Carlo 方法，我们的方法可以大规模并行化并且具有高度可扩展性，甚至可以处理数千万份文档。我们能够生成聚类的高质量主题和位置分布，这些分布可以直接被解释为真实的社会事件，并且我们的实验结果表明，所提出的方法比先前工作中报告的技术取得了更好的预测性能。我们还展示了我们开发的技术如何以更通用的方式应用于类似问题。
引用
@article{arxiv.1708.06000,
title = {Efficient Online Inference for Infinite Evolutionary Cluster models with Applications to Latent Social Event Discovery},
author = {Wei Wei and Kennth Joseph and Kathleen Carley},
journal= {arXiv preprint arXiv:1708.06000},
year = {2017}
}