面向噪声社交媒体的面向重要性的话题建模：发现公共交通风险
机器学习
2025-12-09 v1
摘要
城市交通局日益依赖社交媒体来监控如拥堵、延误和安全事件等新兴服务风险，但这些问题的信号稀疏、篇幅短小，且容易被日常闲聊所淹没。我们通过联合建模语言互动和用户影响来解决这一挑战。首先，我们从清理后的帖子中构建一个面向影响加权的关键词共现图，使得社交上有影响力的帖子对潜在证据的贡献呈比例关系。我们框架的核心是泊松解卷积分解 (Poisson Deconvolution Factorization, PDF)，该方法将图分解为低秩主题结构和主题局部化残差互动，产生可解释的主题-关键词基以及主题重要性分数。 decorrelation 正则化器“促进”主题之间的差异化，而轻量级优化程序确保在非负性和归一化约束下实现稳定收敛。最后，通过基于主题一致性的扫描选择主题数量，以评估所学习主题的质量和差异性。在大规模社交流中，所提出的模型在主题一致性和主题多样性方面均实现了领先基准的最先进技术。代码和数据集已公开于 https://github.com/pangjunbiao/Topic-Modeling_ITS.git。
引用
@article{arxiv.2512.06293,
title = {Importance-aware Topic Modeling for Discovering Public Transit Risk from Noisy Social Media},
author = {Fatima Ashraf and Muhammad Ayub Sabir and Jiaxin Deng and Junbiao Pang and Haitao Yu},
journal= {arXiv preprint arXiv:2512.06293},
year = {2025}
}