基于强化联邦GNN的个性化公共安全突发事件检测

近年来,将公共安全数据转换为图的形式,通过图神经网络(GNN)构造节点表示应用于下游任务的方法,充分利用了公共安全数据的实体与关联信息,取得了较好的效果.为了提高模型的有效性,需要大量的高质量数据,但是高质量的数据通常归属于政府、公司和组织,很难通过数据集中的方式使模型学习到有效的事件检测模型.由于各数据拥有方的关注主题与收集时间不同,数据之间存在Non-IID的问题.传统的假设一个全局模型可以适合所有客户端的方法难以解决此类问题.提出了基于强化联邦图神经网络的个性化公共安全突发事件检测方法PPSED,各客户端采用多方协作的方式训练个性化的模型来解决本地的突发事件检测任务.设计了联邦公共安全突发事件检测模型的本地训练与梯度量化模块,采用基于图采样的minibatch机制的GraphSage构造公共安全突发事件检测本地模型,以减小数据Non-IID的影响,采用梯度量化方法减小梯度通信的消耗.设计了基于随机图嵌入的客户端状态感知模块,在保护隐私的同时,更好地保留客户端模型有价值的梯度信息.设计了强化联邦图神经网络的个性化梯度聚合与量化策略,采用DDPG拟合个性化联邦学习梯度聚合加权策略,并根据权重决定是否对梯度进行量化,对模型的性能与通信压力进行平衡.通过在微博平台收集的公共安全数据集和3个公开的图数据集进行了大量的实验,实验结果表明了所提方法的有效性.

微博网络地域Top-k突发事件检测

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.

融合情感过滤的突发事件检测方法

针对微博等自媒体平台中,突发事件存在的突发性、多爆发点,给突发事件检测带来困难,提出一种整合用户情感过滤的突发事件检测方法。该方法首先将话题映射为层次模型,以时序驱动的方式动态调整模型特征,探测信息新话题。以此为基础分析用户对该话题所持有的情感态度,依据用户的情感态度将话题划分为正面和负面情感倾向两类,并将饱含负面情感倾向的话题视为突发话题。实验证明,无论是准确率还是查全率所提方法均比baseline提高约10%以上。

基于突发词地域分析的微博突发事件检测方法

[目的/意义]面对海量的微博数据,及时准确地检测出微博突发事件,对于网络舆情检测有着重要的意义。[方法/过程]在对微博突发事件传播规律的研究分析中,发现事件相关微博文档的发布地域覆盖范围会随事件演变,出现从小开始逐渐扩大,再到出现极值,最后逐渐缩小的规律,根据该规律提出一种基于突发词地域分析的微博突发事件检测方法。该方法从突发词的地域属性和情感属性两个维度去识别微博突发事件,首先通过情感计算过滤非负值文档;然后根据特征词的地域扩散程度对剩余文档进行突发词检测;最后使用新突发事件检测方法,对突发词集进行聚类,从而发现微博突发事件。[结果/结论]实验结果表明该微博突发事件检测方法与两个对比文献相比,正确率、召回率和F均值均有明显提升。

基于突发主题词和凝聚式层次聚类的微博突发事件检测研究

【目的】实时、准确、高效地检测出海量微博中的突发事件,为舆情应急管理提供重要的决策信息支持。【方法】引入参照时间窗机制,设计词频、文档频率、话题标签(Hashtag)、词频增长率4类特征的选择与计算方法,基于动态阈值实现对突发主题词的抽取。在此基础上,将微博文本表示为突发主题词的特征向量,使用凝聚式层次聚类算法实现了突发事件的检测。【结果】将实验结果结合实例进行分析,突发事件检测达到80%的准确率,验证该方法的可行性和有效性。【局限】由于语料数据和研究范围的限制,还未实现对所检测突发事件的自动描述,对网民情感、事件间语义关系等要素的分析及考量也存在一定欠缺。【结论】本研究突破以往相关研究中文本内容质量、文本形式、突发特征抽取结果的局限,提升微博突发事件检测的效率。

突发事件检测的MapReduce并行化实现

【目的】在大数据环境下,从文本流中准确且快速地检测出特定领域的突发事件。【方法】利用Kleinberg突发检测方法和LDA主题模型方法,将其扩展到Map Reduce并行框架中,实现并行语料预处理、并行突发词检测、并行突发文档过滤和并行主题提取。【结果】对新闻文本流进行模拟仿真实验,结果表明,该并行方法在特定领域突发事件检测中准确率P、召回率R和调和平均值F分别最高可达87.50%、77.78%和82.35%。【局限】基于Map Reduce的并行方法难以实现大规模动态文本流在线(Online)实时(Real-time)突发事件检测。【结论】与传统串行突发事件检测方法相比,所构建的分布式并行化方法在保证检测结果正确性的同时,具有良好的可扩展性,性能得到较大提升。

多异构社交网络的全局建模及应用例证

给出了面向多异构社交网络(Multi⁃heterogeneous social network,MHSN)的全局表示模型,建立了MHSN用户空间及内容空间的关联模型,为基于MHSN的后续研究提供借鉴。以MHSN的地域突发事件检测为例,论述了基于内容空间的MHSN的融合方法,并以微博和贴吧进行了数据采集和突发事件检测的实验分析;以MHSN的用户兴趣挖掘为例,论述了基于用户空间的MHSN的融合方法,并以微博和贴吧进行了数据采集和用户兴趣挖掘的实验分析。结果表明,本文所提的面向MHSN的突发事件融合检测及用户兴趣融合挖掘方法可以有效地改善突发事件检测和用户兴趣挖掘的效果。