10、在线社交事件检测与有向社交网络嵌入的相似性搜索

在线社交事件检测与有向社交网络嵌入的相似性搜索

在当今数字化时代，社交网络产生了海量的数据，如何从这些数据中挖掘有价值的信息成为了研究热点。本文将介绍两种相关的技术：基于过滤策略图神经网络的在线社交事件检测，以及有向社交网络嵌入的相似性搜索。

1. 在线社交事件检测：FS - GNN模型

在社交消息流中进行事件检测是一项具有挑战性的任务。传统方法可能会因为语义信息密度的降低而导致实验结果不佳。为了解决这个问题，研究人员提出了FS - GNN模型。

1.1 模型概述

FS - GNN模型将过滤策略与图神经网络（GNN）相结合，它能够融合社交消息流中丰富的语义和结构信息，并过滤掉有害的噪声节点。在增量场景下，引入信息补充窗口可以更有效地弥补消息之间的信息不足，在保证事件检测稳定性的同时取得良好的检测结果。

1.2 实验结果分析

通过实验，研究人员对比了FS - GNN模型与其他基线模型（如EventX、BiLSTM、KPGNN）在不同消息块上的AMI（调整互信息）指标，具体数据如下表所示：
| Blocks | M1 | M2 | M3 | M4 | M5 | M6 | M7 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| EventX | 0.06 | 0.28 | 0.17 | 0.18 | 0.13 | 0.27 | 0.13 |
| BiLSTM | 0.12 | 0.40 | 0.31 | 0.30 | 0.32 | 0.36 | 0.20 |
| KPGNN | 0.36 | 0.