基于证据时间感知图的社会事件检测：通过 Dempster-Shafer 理论
人工智能
2022-05-25 v1
摘要
在线社交网络服务的日益普及吸引了大量关于社交媒体数据挖掘的研究，尤其是社会事件挖掘。社会事件检测因其广泛应用，现已成为一项重要任务。利用图神经网络（GNNs）的最先进方法通常遵循两步策略：1）基于多种视图（\textit{共用户}、\textit{共实体}与\textit{共标签}）构建文本图；2）通过特定 GNN 模型学习统一文本表示。通常，结果严重依赖于所构建图的质量与特定的消息传递方案。然而，现有方法在两方面均有不足：1）未能识别由不可靠视图引入的噪声信息；2）作为事件重要指示符的时间信息在大多数工作中被忽视。为此，我们提出 ETGNN，一种新颖的基于证据时间感知图神经网络。具体而言，我们构建视图特定图，其节点为文本，边分别由若干类共享元素决定。为将时间信息纳入消息传递方案，我们引入一种新颖的时间感知聚合器，依据自适应时间指数衰减公式对邻居分配权重。考虑到视图特定的不确定性，所有视图的表示通过证据深度学习（EDL）神经网络转换为 mass 函数，并进一步通过 Dempster-Shafer 理论（DST）组合以进行最终检测。在三个真实世界数据集上的实验结果证明了 ETGNN 在社会事件检测中准确性、可靠性和鲁棒性的有效性。
引用
@article{arxiv.2205.12179,
title = {Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory},
author = {Jiaqian Ren and Lei Jiang and Hao Peng and Zhiwei Liu and Jia Wu and Philip S. Yu},
journal= {arXiv preprint arXiv:2205.12179},
year = {2022}
}
备注
Accepted by ICWS2022