基于非负张量分解理解Covid-19的时空主题动态：一项案例研究
社会与信息网络
2020-09-22 v1 机器学习
摘要
社交媒体平台使数十亿人能普遍分享其想法与活动，为人类造就了一个数据驱动的世界。若恰当分析，这一海量数据集合可揭示人们行为的有用洞见。在Covid-19大流行下，理解人们在线行为——详述讨论哪些主题、在何处（空间）与何时（时间）讨论——比以往任何时候都更为关键。鉴于海量社交媒体数据的高复杂度与低质量，亟需一种有效的时空主题检测方法。本文提出一种基于张量的社交媒体数据表示及非负张量分解（NTF），以识别社交媒体数据中讨论的主题及其时空主题动态。呈现了一项基于澳大利亚Twitter圈中Covid-19相关推文的案例研究，以识别并可视化关于Covid-19的时空主题动态。
引用
@article{arxiv.2009.09253,
title = {Understanding the Spatio-temporal Topic Dynamics of Covid-19 using Nonnegative Tensor Factorization: A Case Study},
author = {Thirunavukarasu Balasubramaniam and Richi Nayak and Md Abul Bashar},
journal= {arXiv preprint arXiv:2009.09253},
year = {2020}
}
备注
Accepted in 18th Australasian Data Mining Conference (AusDM)