基于增量主题模型的微博在线事件分析

doi:10.3969/j.issn.1000-3428.2013.03.038

计算机工程 ›› 2013, Vol. 39 ›› Issue (3): 191-196. doi: 10.3969/j.issn.1000-3428.2013.03.038

基于增量主题模型的微博在线事件分析

马慧芳¹，王博²

(1. 西北师范大学计算机科学与工程学院，兰州 730070；2. 解放军南京政治学院上海校区军事信息管理系，上海 200433)

收稿日期:2012-04-09 出版日期:2013-03-15 发布日期:2013-03-13
作者简介:马慧芳(1981－)，女，副教授、博士，主研方向：数据挖掘，机器学习；王博，馆员、博士研究生
基金资助:
国家自然科学基金资助项目(61163039)；西北师范大学青年教师科研能力提升计划骨干基金资助项目(NWNU- LKQN-10-1)

Microblog Online Event Analysis Based on Incremental Topic Model

MA Hui-fang ¹, WANG Bo ²

(1. College of Computer Science and Engineering, Northwest Normal University, Lanzhou 730070, China; 2. Department of Military Information Management, Shanghai Branch of PLA Nanjing Institute of Politics, Shanghai 200433, China)

Received:2012-04-09 Online:2013-03-15 Published:2013-03-13

摘要/Abstract

摘要： 为更好地利用微博结构化社会网络方面的信息，提出一种基于增量主题模型的微博在线事件分析算法。通过设计增量过程，保留已有的训练信息，采用自适应非对称学习算法融入新微博内容与用户关系。实验结果表明，该算法可在短暂的时间内建模，并有效提高事件分析的性能。

关键词: 用户关系, 话题检测与追踪, 主题模型, 自适应, 增量概率, 增量算法

Abstract: Aiming at the existing event analysis algorithms do not make full use of the structure information on social network of microblogs, this paper proposes a microblog online event analysis algorithm based on incremental topic model. This algorithm designs a reasonable incremental process to preserve the existing training information, and gives an adaptive asymmetric learning mechanism to integrate the content and user relationship of new microblogs. Experimental results show that this algorithm leads to more balanced and comprehensive improvement for online event detection in near real-time scenarios.

Key words: user relationship, Topic Detection and Tracking(TDT), topic model, adaptive, incremental probability, incremental algorithm

中图分类号:

TP391

马慧芳, 王博. 基于增量主题模型的微博在线事件分析[J]. 计算机工程, 2013, 39(3): 191-196.

MA Hui-Fang, WANG Bo. Microblog Online Event Analysis Based on Incremental Topic Model[J]. Computer Engineering, 2013, 39(3): 191-196.

http://www.ecice06.com/CN/Y2013/V39/I3/191

参考文献

[1] Petrovi S, Osborne M, Lavrenko V. Streaming First Story Detection with Application to Twitter[C]//Proc. of the Annual Conference of the North American Chapter of the Association for Computational Linguistics. Los Angeles, USA: IEEE Press, 2010.
[2] Mathioudakis M, Koudas N. TwitterMonitor: Trend Detection over the Twitter Stream[C]//Proc. of Inter- national Conference on Management of Data. New York, USA: ACM Press, 2010.
[3] Marcus A, Bernstein M S, Badar O, et al. Twitinfo: Aggregating and Visualizing Microblogs for Event Exploration[C]//Proc. of the 29th Annual Conference on Human Factors in Computing Systems. New York, USA: ACM Press, 2011.
[4] Becker H, Naaman M, Gravano L. Beyond Trending Topics: Real-world Event Identification on Twitter[C]// Proc. of the 5th International AAAI Conference on Weblogs and Social Media. Menlo Park, USA: AAAI Press, 2011.
[5] 张晨逸, 孙建伶, 丁轶群. 基于MB-LDA模型的微博主题挖掘[J]. 计算机研究与发展, 2011, 48(10): 1795- 1802.
[6] Kireyev K, Palen L, Anderson K. Applications of Topics Models to Analysis of Disaster-related Twitter Data[C]// Proc. of the 24th Annual Conference on Neural Information Processing Systems. New York, USA: ACM Press, 2009.
[7] Cohn D, Hofmann T. The Missing Link——A Probabi- listic Model of Document Content and Hypertext Connectivity[C]//Proc. of Advances in Neural Information Processing Systems. Cambridge, USA: MIT Press, 2001.
[8] David C C, Chang Huan. Learning to Probabilistically Identify Authoritative Documents[C]//Proc. of the 7th International Conference on Machine Learning. San Francisco, USA: Morgan Kaufmann Publishers, 2000.
[9] Ma Huifang, Li Zhixin, Shi Zhongzhi. Combining the Missing Link: An Incremental Topic Model of Document Content and Hyperlink[C]//Proc. of the 12th International Asia-Pacific Web Conference. Beijing, China: [s. n.], 2010.
[10] Yang Yiming, Pierce T, Carbonell J. A Study on Re- trospective and Online Event Detection[C]//Proc. of the 9th International ACM SIGIR Conference on Information Retrieval. Melbourne, Australia: ACM Press, 1998.
[11] Chou Tzu-Chuan, Chen Mengchang. Using Incremental PLSI for Threshold-resilient Online Event Analysis[J]. IEEE Transactions on Knowledge and Data Engineering, 2008, 20(3): 289-299.
[12] Ma Huifang, Zhao Weizhong. IPHITS: An Incremental Latent Topic Model for Link Structure[C]//Proc. of the 5th Asia Information Retrieval Symposium. Sapporo, Japan: Springer, 2009.

[1]	马娜, 温廷新, 贾旭, 李晓会. 复杂光照条件下自适应的车脸重识别模型[J]. 计算机工程, 2023, 49(8): 275-282, 290.
[2]	张欣怡, 张飞, 郝斌, 高鹭, 任晓颖. 基于改进YOLOv5的口罩佩戴检测算法[J]. 计算机工程, 2023, 49(8): 265-274.
[3]	江雨燕, 陶承凤, 李平. 数据增强和自适应自步学习的深度子空间聚类算法[J]. 计算机工程, 2023, 49(8): 96-103, 110.
[4]	汤卫芬, 高翠芳. 极值点自适应加权的动态时间规整算法[J]. 计算机工程, 2023, 49(7): 150-160.
[5]	梅晶, 戴龙宝, 童钊, 邓昕, 王嘉珂. 资源约束下基于Lyapunov优化的自适应卸载算法[J]. 计算机工程, 2023, 49(7): 34-46.
[6]	蔡倩倩, 史旭华. 自适应迁移的分解多目标多任务进化算法[J]. 计算机工程, 2023, 49(7): 55-64.
[7]	顾轶寅, 王鸿奎, 殷海兵. 基于上下文自适应阈值剪枝的快速依赖量化算法[J]. 计算机工程, 2023, 49(7): 143-149.
[8]	王爱玲, 马文臻, 邹自明, 钟佳. 基于领域自适应的卫星工程参数异常检测[J]. 计算机工程, 2023, 49(5): 29-37,47.
[9]	石进, 徐杨, 曹斌. 基于自适应三线性池化网络的细粒度图像分类[J]. 计算机工程, 2023, 49(5): 239-246,254.
[10]	王博, 张远, 杨咏蓓. 基于模仿学习的决策树码率自适应算法研究[J]. 计算机工程, 2023, 49(5): 206-214.
[11]	李培育, 张雅丽. 基于改进SRGAN模型的人脸图像超分辨率重建[J]. 计算机工程, 2023, 49(4): 199-205.
[12]	余嘉昕, 王春媛, 韩华, 高燕. 基于融合代价和优化引导滤波的立体匹配算法[J]. 计算机工程, 2023, 49(3): 257-262,270.
[13]	王国栋, 叶剑, 谢萦, 钱跃良. 基于梯度的自适应阈值结构化剪枝算法[J]. 计算机工程, 2022, 48(9): 113-120.
[14]	甘红楠, 张凯. 参数自适应下基于近邻图的近似最近邻搜索[J]. 计算机工程, 2022, 48(9): 28-36.
[15]	江雨燕, 邵金, 李平. 融合自动权重学习的深度子空间聚类[J]. 计算机工程, 2022, 48(8): 77-84,97.

选择文件类型/文献管理软件名称

选择包含的内容

基于增量主题模型的微博在线事件分析

Microblog Online Event Analysis Based on Incremental Topic Model

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于增量主题模型的微博在线事件分析

Microblog Online Event Analysis Based on Incremental Topic Model

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价