[论文解读] Location-Based Events Detection on Micro-Blogs

Augusto Dias Pereira dos Santos, Leandro Krug Wives+1 more|arXiv (Cornell University)|Oct 15, 2012

Human Mobility and Location-Based Analysis参考文献 5被引用 5

一句话总结

本文提出一种基于神经网络的异常检测方法，通过分析政治区域内的时空模式，识别Twitter中新兴话题。通过检测推文数量的异常激增，该方法成功建模了局部行为变化，实现了对灾害或热门话题等基于地理位置事件的实时检测。

ABSTRACT

The increasing use of social networks generates enormous amounts of data that can be used for many types of analysis. Some of these data have temporal and geographical information, which can be used for comprehensive examination. In this paper, we propose a new method to analyze the massive volume of messages available in Twitter to identify places in the world where topics such as TV shows, climate change, disasters, and sports are emerging. The proposed method is based on a neural network that is used to detect outliers from a time series, which is built upon statistical data from tweets located on different political divisions (i.e., countries, cities). The outliers are used to identify topics within an abnormal behavior in Twitter. The effectiveness of our method is evaluated in an online environment indicating new findings on modeling local people's behavior from different places.

研究动机与目标

• 通过分析微博数据中的时间与地理模式，实现实时检测新兴话题。
• 利用推文数量趋势，对不同政治区域（例如城市、国家）的局部行为变化进行建模。
• 将推文时间序列中的异常活动识别为重大现实事件的指标。
• 在在线环境中评估该方法，以验证其在事件检测中的实际适用性。

提出的方法

• 训练神经网络以检测基于政治区域聚合推文数量构建的时间序列中的异常值。
• 利用按地理位置（例如国家、城市）分组的推文统计数据显示构建时间序列。
• 时间序列中的异常值代表推文数量的突然异常增加，表明潜在的新兴事件。
• 该方法利用时间与空间聚类技术，识别此类异常发生区域。
• 系统在在线环境中运行，持续处理传入的推文，实现实时事件检测。
• 异常检测基于各区域内历史推文数量模式的统计偏离。

实验结果

研究问题

• RQ1 如何通过推文数量时间序列中的异常检测识别现实世界事件中的新兴话题？
• RQ2 微博中的地理与时间模式在多大程度上能揭示局部行为变化？
• RQ3 神经网络能否有效检测出指示灾害或热门话题等事件的异常活动？
• RQ4 该方法在在线动态环境中对实时事件检测的表现如何？

主要发现

• 该方法通过推文数量的异常激增，成功检测出灾害、体育赛事和媒体趋势等新兴话题。
• 时间序列中的异常检测能有效识别出突然发生行为变化的区域。
• 该方法通过分析地理与时间推文模式，对当地人群行为进行建模。
• 在线环境下的评估证实了该方法在实时事件检测中的有效性。
• 该系统以高时间与空间精度识别事件，使对新兴情况的及时响应成为可能。
• 基于神经网络的异常检测在捕捉异常趋势方面优于基线统计方法。