ET-LDA：用于对齐、分析及理解公共事件及其 Twitter 流的联合主题建模
机器学习
2012-12-24 v3 人工智能
社会与信息网络
物理与社会
摘要
Twitter 等社交媒体渠道已成为大众回应演讲、体育赛事和辩论等公共事件的流行平台。虽然这为从社交媒体理解和阐释事件的反响带来了巨大机遇，但也伴随着重大的技术挑战。特别是，给定一个事件及相关的大规模推文集合，我们需要有效的方法将推文与其所指的事件部分进行对齐。这进而引发了如何将事件分割为更小但有意义的部分，以及如何判断一条推文是关于整个事件的通用推文还是针对事件特定部分的特定推文等问题。在本工作中，我们提出了 ET-LDA，一种通过对事件及其相关推文的主题影响进行联合统计建模，从而有效对齐事件及其推文的方法。该模型能够实现事件的自动分割，并将推文表征为两类：(1) 专门回应事件片段内容的片段性推文 (episodic tweets)，以及 (2) 一般性回应事件的稳态推文 (steady tweets)。我们提出了该模型的高效推断方法，并全面评估了其相对于现有方法的有效性。特别是，通过用户研究，我们证明用户发现 ET-LDA 所发现的主题、片段、对齐结果及片段性推文的质量更高且更有趣，相比最先进方法 (state-of-the-art) 提升了 18-41%。
引用
@article{arxiv.1210.2164,
title = {ET-LDA: Joint Topic Modeling For Aligning, Analyzing and Sensemaking of Public Events and Their Twitter Feeds},
author = {Yuheng Hu and Ajita John and Fei Wang and Doree Duncan Seligmann and Subbarao Kambhampati},
journal= {arXiv preprint arXiv:1210.2164},
year = {2012}
}
备注
errors in reference, delete for now