Twitter中的事件检测、追踪与可视化：一种基于提及异常的方法

使用Twitter的人数不断增长，使其成为有价值的即时信息来源。然而，在Twitter中检测事件是一项困难的任务，因为报道有趣事件的推文被大量无关主题的推文所淹没。现有方法关注推文的文本内容，忽略了Twitter的社交方面。本文提出MABED（即mention-anomaly-based event detection，基于提及异常的事件检测），一种仅依赖推文并利用用户在推文中插入的动态链接（即提及）的创建频率来检测重大事件并估计其对人群影响强度的新颖统计方法。MABED与现有文献的不同之处还在于，它动态估计每个事件被讨论的时间段，而非假设所有事件具有预定义的固定持续时间。我们在英文和法文Twitter数据上进行的实验表明，基于提及异常的方法在存在噪声推文内容的情况下能实现更准确的事件检测和更好的鲁棒性。定性而言，我们发现MABED通过提供清晰的文本描述和精确的时间描述，有助于对检测到的事件进行解释。我们还展示了MABED如何帮助理解用户兴趣。此外，我们描述了三种旨在促进高效探索检测到的事件的可视化方法。