基于事件导向的社交媒体情感时间序列基准数据集 with Interaction Structure
社会与信息网络
2026-05-21 v1 人工智能
摘要
社交媒体上的公共事件会生成大量讨论，其集体动力学直接具有用于意见预测和危机响应的价值。捕捉这些动力学在事件生命周期中的演化需要将碎片化的帖子组织成事件级别的时间序列。现有数据集仅覆盖单个类别中的少数事件，通常在构建时间序列时丢弃帖子之间的相互作用结构，这限制了跨事件类型的迁移，以及对相互作用如何影响结果集体动力学的受控研究。我们提出 SURGE，一个多事件社交媒体基准数据集，将事件级别的时间序列与对齐的文本和事件级别的相互作用结构相结合。SURGE 通过自动化管道构建，产生三个时间粒度的日历对齐时间序列，覆盖 67 个事件和 80 多万篇帖子，跨越五个事件类别。每个时间槽都与来自相同选定帖子的平面文本视图和结构化文本视图配对，实现对社交互动结构是否影响预测行为进行受控评估。在 SURGE 上，我们定义了用于数值-only 预测、文本增强预测、高互动评估和 leave-one-category-out 泛化的基准协议。使用代表性时间序列和多模态预测模型进行实验，揭示了该基准的三个特性：存在强大的局部持久 regime，在绝对误差下，朴素基线难以超越；现有文本增强预测器对事件驱动的社交媒体数据迁移有限；在回复密集期间的难度增加，聚合指标往往会掩盖这一点。我们还包括一个轻量级结构感知探针作为参考实现，说明 SURGE 如何支持交互感知预测研究。
引用
@article{arxiv.2605.21198,
title = {SURGE: An Event-Centric Social Media Sentiment Time Series Benchmark with Interaction Structure},
author = {Chen Su and Pengsen Cheng and Yuanhe Tian and Yan Song},
journal= {arXiv preprint arXiv:2605.21198},
year = {2026}
}