微博网络地域Top-k突发事件检测

• 作者: 仲兆满 刘宗田 李存华 管燕
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 微博网络 地理标签博文 地域突发事件检测 词突发值计算 Top-k突发事件排序
• 年，卷（期）: 2018,（7）
• 所属期刊栏目: 社会计算
• 页码范围: 1504-1516
• 页数: 13页
• 分类号: TP18
• 字数: 13129字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2018.01504

摘要

传统的事件检测不考虑地域特性,面对的是媒体的整个信息流,是一种广域事件检测,会引起局部地域事件检测的失效.随着Web2.0及GPS技术的推广应用,很多社交媒体生成的内容体现了地理信息和时间标记.社交媒体中地域性突发事件的检测是近期新兴的研究热点.针对地域突发事件检测的需求,在合理利用社交媒体及突发事件表现的特性等方面,已有的研究仍有较大的不足.微博网络作为实时性、交互性很强的社交媒体,已经成为人们爆料事件、发表观点的首选媒体.该文面向微博网络,给出了地域Top-k突发事件检测的系统框架,包含地域博文采集、博文预处理、词突发值计算、突发词聚类、突发事件排序及突发事件可视化等部分.根据微博的时空特点,在综合考虑微博博文及社交关系的基础上,利用词出现频率、词关联用户、词分布地域及词社交行为4类指标,提出了新颖的微博网络词突发值计算模型.结合微博网络的特点以及地域Top-k突发事件检测的需求,提出了融合突发词地域、频率、关联博文、关联博文产生的影响力以及关联用户5类指标的突发事件热度计算方法.选取新浪微博作为真实的检测环境,以北京、南京、连云港和日照4个城市为地域范围,使用了5种方法比对了突发事件检测的准确率,这5种方法分别为HBED(2011年)、GeoSED(2013年)、EvenTweet(2013年)、GeoBurst(2016年)和该文提出的方法LocTBED.结果表明,文中所提方法在地域Top-k突发事件的检测上有较好的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘宗田	上海大学计算机学院	155	2834	28.0	47.0
2	李存华	淮海工学院计算机工程学院	95	723	15.0	22.0
3	仲兆满	淮海工学院计算机工程学院	30	190	8.0	12.0
5	管燕	淮海工学院计算机工程学院	12	74	4.0	8.0