8、社交媒体实时滑坡报告检测与在线社交事件检测模型

社交媒体实时滑坡报告检测与在线社交事件检测模型

1. 引言

随着社交媒体平台的迅速发展，如 Twitter、Facebook 和微博等，用户更愿意公开分享日常生活，导致社交媒体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。然而，现有的事件检测方法存在一些问题，如受随机话题噪声影响，以及在检测持续多天的事件时表现不佳。

2. 相关工作

现有的社交事件检测解决方案主要分为以下三类：
- 文本信息提取 ：通过提取文本信息来检测社交事件，如使用 Word2Vec 合并实体和短语、构建故事树等。但这些方法很少考虑数据噪声，会影响检测性能。
- 结构信息提取 ：利用用户社交连接和非文本属性进行事件检测，如考虑位置、标签、消息转发等。但结构信息也存在数据噪声，且其时间敏感性给在线检测带来挑战。
- 混合信息提取 ：结合文本和结构信息，利用深度学习模型（如 GNN）挖掘社交数据。但这些模型无法满足社交事件的在线检测需求。

3. 问题定义与框架概述

3.1 问题定义

• 社会消息流（Social Message Stream） ：一系列按时间顺序连续到达的社会消息，记为 $S_m = {m_1, m_2, …, m_i}$，其中 $m_i$ 表示在时间 $i$ 到达的社会消息。
• 社会事件（Social Events） ：