[论文解读] Dynamic topic modeling of the COVID-19 Twitter narrative among U.S. governors and cabinet executives

Hao Sha, Mohammad Al Hasan+2 more|arXiv (Cornell University)|Apr 19, 2020

Misinformation and Its Impacts参考文献 17被引用 48

一句话总结

本论文将 Hawkes 二项式主题模型应用于美国州长及内阁成员的 COVID-19 推文，以追踪不断演化的子主题并推断影响网络。

ABSTRACT

A combination of federal and state-level decision making has shaped the response to COVID-19 in the United States. In this paper we analyze the Twitter narratives around this decision making by applying a dynamic topic model to COVID-19 related tweets by U.S. Governors and Presidential cabinet members. We use a network Hawkes binomial topic model to track evolving sub-topics around risk, testing and treatment. We also construct influence networks amongst government officials using Granger causality inferred from the network Hawkes process.

研究动机与目标

• 分析 2020-01-01 至 2020-04-07 美国州长、总统及内阁成员的 COVID-19 相关 Twitter 叙事。
• 开发 Hawkes binomial topic model (HBTM) 以捕捉围绕风险、测试以及疫苗/治疗的演化子主题。
• 通过从网络 Hawkes 过程推断的 Granger 因果关系构建影响网络。
• 识别基于阶段的主题转换并绘制跨党派与跨州的影响模式。

提出的方法

• 使用带强度 lambda_s(t,m) 的 Hawkes binomial topic model (HBTM) 来建模自发和触发的推文。
• 将推文表示为词袋，标记采用 Binomial 分布，官员之间的触发则由网络 Hawkes 过程建模。
• 估计分支概率 q_ij，将推文随时间聚类为动态主题组。
• 在去除停用词后，将词典限制为前 W 个高频词；对自发速率进行非参数估计。
• 基于 Granger 因果推断从官员之间的触发中推断影响网络，并可视化跨党派互动。

实验结果

研究问题

• RQ1 2020-01-01 至 2020-04-07 美国州长和内阁成员的 COVID-19 推文中演化中的子主题有哪些？
• RQ2 风险、测试以及疫苗/治疗等主题如何随时间出现和变化？
• RQ3 在推文叙事中哪些官员会影响他人，这些影响如何在党派和州之间分布？
• RQ4 从网络 Hawkes 过程推断出的 Granger 因果关系是否能揭示疫情期间跨政府的影响模式？

主要发现

• 识别出四个时序阶段的叙事，风险从低向高转变，并对测试和实时更新的关注度上升。
• 检测出围绕风险、治疗和测试的子主题，随时间对测试能力和疫苗开发的关注度增加。
• 影响网络显示跨党派触发，以及若干州长和官员的突出角色，总统具有较高的自发活跃性但跨激发影响有限。
• 阶段特定的 Granger 网络揭示跨党派的互相关联与地理聚集，与州规模和活动相关。