8、基于过滤策略图神经网络的在线社交事件检测

基于过滤策略图神经网络的在线社交事件检测

1. 背景与问题提出

近年来，社交媒体平台如 Twitter、Facebook 和微博等迅速崛起，鼓励更多用户公开分享日常生活，导致社交消息数据呈爆炸式增长。这些用户生成内容（UGC）可用于各种数据挖掘任务，其中实时事件检测是重要应用之一。

现有方法通过对在线帖子进行主题聚类，能快速识别社交媒体上的当前趋势，有助于发现营销机会、预防潜在危机等。然而，由于社交网络用户的多样性，当前方法的性能受到随机主题长尾的显著影响，这些随机主题在聚类问题中应被视为离群值。此外，当前模型在检测持续多天的事件方面表现较弱，而这在现实场景中很常见。

2. 相关工作

2.1 文本信息提取

社交消息是纯文本消息，通过文本信息提取来检测社交事件是自然且常见的方法。例如，Liu 等人使用 Word2Vec 合并相同实体和相似短语，以自动检测多语言混合长文本流中的事件。为了进一步探究更深层次的语义含义，Liu 等人将文本信息提取为更细粒度的表示，并用于构建故事树来表示后续事件的类别。然而，在较大的社交媒体平台（如 Twitter）上，检测多语言混合社交事件成为一个重大挑战。为了解决这个问题，Hu 等人使用概率分布来表示划分为固定时间片窗口的多语言混合文本的语义类别，以在线检测事件。这些方法专注于如何使用数据结构、模型或数学方法定量表示文本语义信息，但很少考虑其中涉及的数据噪声，这会严重影响社交事件检测的性能。

2.2 结构信息提取

除了文本内容，用户之间社交连接的多样性及其非文本属性已成为社交事件检测的新来源。具体来说，一些现有工作关注位置，Zhang 等人捕捉消息之间地理主题相