[论文解读] On The Spatiotemporal Burstiness of Terms

Theodoros Lappas, Marcos R. Vieira+2 more|arXiv (Cornell University)|May 30, 2012

Data Management and Algorithms参考文献 31被引用 5

一句话总结

本文提出了首个用于在文档流中同时追踪和测量术语时空突发性的框架，利用组合模式与区域模式检测在多个地理位置和时间区间内出现高频术语的事件。结果表明，这些模式可实现一种高效、无监督的文档搜索引擎，能够检索出具有全球性或局部性影响的显著事件相关文档。

ABSTRACT

Thousands of documents are made available to the users via the web on a daily basis. One of the most extensively studied problems in the context of such document streams is burst identification. Given a term t, a burst is generally exhibited when an unusually high frequency is observed for t. While spatial and temporal burstiness have been studied individually in the past, our work is the first to simultaneously track and measure spatiotemporal term burstiness. In addition, we use the mined burstiness information toward an efficient document-search engine: given a user's query of terms, our engine returns a ranked list of documents discussing influential events with a strong spatiotemporal impact. We demonstrate the efficiency of our methods with an extensive experimental evaluation on real and synthetic datasets.

研究动机与目标

• 形式化并检测动态文档流中的时空突发性模式，结合时间频率峰值与空间分布特征。
• 通过同时追踪空间与时间突发性，克服先前研究的局限性，无需预设时间区间或固定空间网格。
• 开发一种基于时空突发性检测的文档搜索引擎，根据其与高影响力事件的关联性检索相关文档，提升相对于纯时间方法的相关性。
• 提供互补的检测机制——组合模式（任意流子集）与区域模式（地理邻近流），以适应不同类型的事件。
• 在真实与合成数据集上评估该方法，验证其在识别高影响力事件方面的效率与有效性。

提出的方法

• 形式化定义两类时空突发性：组合模式（在共同时间区间内，来自地理位置不同的多个文档流的任意集合）与区域模式（在空间上连续的区域中出现高频术语）。
• 采用无监督方法自动识别突发时间段与空间分组，无需事先了解事件时间线或地理边界。
• 提出 STComb 与 STLocal 算法：STComb 用于检测非相邻流之间的突发性，STLocal 则通过基于矩形网格的空间分区方法，识别空间聚集区域中的突发性。
• 使用统计评分衡量突发强度，量化时间与空间上相对于基线频率的偏离程度。
• 将挖掘出的突发模式整合至文档检索引擎中，根据文档与高影响力时空事件的关联性对文档进行排序。
• 将该框架应用于真实世界数据（如 Twitter、新闻门户），以检测事件，例如大流行病（全球突发）或区域性灾难（局部突发）。

实验结果

研究问题

• RQ1 如何在动态、地理标记的文档流中正式定义并检测时空突发性？
• RQ2 组合模式与区域模式在时空突发性上的区别特征是什么？它们如何反映不同类型的真实事件？
• RQ3 与纯时间突发性检测相比，无监督挖掘时空突发模式是否能提升对显著事件的文档检索效果？
• RQ4 STComb 与 STLocal 算法在真实与合成数据集上的效率与准确性如何比较？
• RQ5 区域模式与组合模式在多大程度上对应于具有局部影响或全球影响的事件？

主要发现

• 所提出的 STComb 与 STLocal 算法在无需预设时间区间或固定空间网格的情况下，成功检测出时空突发性模式。
• 区域模式能有效识别具有局部影响的事件，如中等规模地震或区域性政治事件，通过检测地理邻近流中同时发生的突发性。
• 组合模式能有效捕捉具有全球重要性的事件，如大流行病或国际危机，即同一术语在遥远且非相邻的文档流中同时出现峰值。
• 将挖掘出的突发模式整合至文档搜索引擎后，显著提升了检索质量，优先返回与具有广泛时空影响的高影响力事件相关的文档。
• 在真实与合成数据集上的实验评估证实了该方法的高效性与可扩展性，在不同数据分布下均能有效识别显著事件。
• 通过引入空间上下文，该框架优于纯时间突发性检测方法，实现了更相关、更具上下文意义的文档检索结果。