تشخیص رویداد در رسانه های اجتماعی بزرگ با استفاده از تحلیل زمانی
چکیده
هم‌اکنون، شبکه‌های رسانه‌های اجتماعی به‌عنوان یکی از کانال‌های خبری اصلی در نظر گرفته می‌شوند که می‌توانند مهم‌ترین اخبار را منعکس کنند. به‌دلیل محبوبیت بسیار زیاد رسانه‌های اجتماعی، اخیرا توجه‌ی پژوهشگران به بررسی مسئله‌ی تشخیص رویداد در رسانه‌های اجتماعی جذب شده است. روش‌های موجود بر روی ویژگی‌های تمرکز دارند که منعکس‌کننده‌ی همه‌ی ویژگی‌های شبکه‌های اجتماعی نمی‌باشد. برای هدف این تحقیق، ما یک رویداد را به‌عنوان یک رخداد که دارای نیرو و تکانه‌ی کافی باشد، تعریف می‌کنیم که می‌تواند یک تغییر قابل‌توجه در شکل شبکه‌های اجتماعی به‌وجود آورد. این نوع تعریف برای ما یک چشم‌انداز گسترده را فراهم می‌کند که ما می‌توانیم تصویر بزرگی از شبکه‌های اجتماعی را مشاهده نماییم. در این تحقیق، ما یک چارچوب جدید برای تشخیص رویدادها بر روی رسانه‌های اجتماعی ارائه می‌دهیم. ما یک روش زمانی جهت تشخیص تغییر ساختاری شبکه‌های اجتماعی معرفی می‌کنیم که منعکس‌کننده‌ی رخدادهای یک رویداد با استفاده از الگوریتم‌های فراگیری ماشین می‌باشد. در این پژوهش، ما نشان می‌دهیم که فرآیند زمانی شبکه‌های اجتماعی سبب ایجاد یک سازگاری کامل بر روی شبکه‌های اجتماعی می‌گردد که نتایج دارای دقت بالا برای تشخیص رویداد می‌باشد.
1- مقدمه
اخیرا شبکه‌های رسانه‌های اجتماعی بسیار محبوب گردیده‌اند. پرتال آمار آنلاین تخمین زده است که تا پایان سال 2016، 22/2 میلیارد کاربر فعال از شبکه‌های اجتماعی استفاده می‌کنند [1]. منابع مشابه تخمین زده‌اند که تعداد کاربران فعال شبکه‌های اجتماعی در سراسر جهان تا پایان سال 2017 به 72/2 میلیارد افزایش پیدا می‌کند. منتشر کردن مطالب شخصی هرگز به آسانی سیستم عامل‌های بلاگ‌نویسی کوچک (میکروبلاگینگ) مانند توئیتر که به‌صورت وسیع در دسترس هستند، نمی‌باشد [2]. این سیستم عامل‌ها به کاربران این توانایی را می‌دهند که نظرات خود را به‌سرعت منتشر کنند [3]. تحقیقات اخیر نشان می‌دهد که کاربران توئیتر در طول روز بیش از 500 میلیون توئیت انجام می‌دهند [4]. زمانی‌که توئیتر در سال 2006 تأسیس گردید، تعداد توئیت‌هایی که ارسال می‌شد به بیش از 300 میلیارد توئیت رسیده بود [5].
Abstract
Social media networks are now considered as one of the major news channels that breaks news as they fold. The problem of event detection based on social media has attracted researchers' attention recently because of the enormous popularity of social media. Existing approaches focus on features that don't reflect full characteristics of the social network. For the purpose of this research, we define an event as an occurrence that has enough force and momentum that could create an observable change of the context of a social network. Such a definition provides us with a wider perspective through which we can view the big picture of the social network. In this research, we propose a novel framework for detecting events on social media. We introduce a temporal approach to detect structural change of the social network that reflects an occurrence of an event using machine learning algorithms. In this study, we show that processing temporal social networks captures the complete complexity of the social network, which results in a higher accuracy of event detection.
1. Introduction
Social media networks had become very popular recently. Statistica, the online statistics portal, estimated that there are 2.22 billion active social network users by the end of the year 2016 [1]. The same source estimates that this number will increase to 2.72 billion active social network user around the globe by the end of year 2019. Publishing personal contents has never been easier with the wide availability of microblogging platforms such as Twitter [2]. This has enabled users to post their opinions swiftly [3]. Recent research shows that Twitter process more than 500 million tweets daily [4]. The number of tweets that has been sent since 2006 when Twitter was founded is more than 300 billion tweets [5].
چکیده
1- مقدمه
1-1 موضوع تحقیق
1-2 انگیزه تحقیق
2- کار مرتبط
2-1 موقعیت براساس ویژگی‌های مکانی
2-2 ویژگی های متنی
2-3 ویژگی های دوگانه- مکانی و متنی
3- تشخیص رویداد زمانی
3-1 مجموعه داده
3-2 معیارهای ارزیابی
4- نتایج تجربی و بحث
5- نتیجه‌گیری
Abstract
1. Introduction
1.1. Research Problems
1.2. Motivation Behind the Research
2. Related Work
2.1. Location Based and Geo-Spatial Features
2.2. Textual Features
2.3. Hybrid Features - Location and Textual
3. Temporal Event Detection
3.1. Dataset
3.2. Evaluation Metrics
4. Experimental Results and Discussion
5. Conclusion
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه