[论文解读] Semantic Annotation for Microblog Topics Using Wikipedia Temporal Information

Tuan Tran, Nam Khanh Tran+2 more|arXiv (Cornell University)|Jan 14, 2017

Web Data Mining and Analysis参考文献 25被引用 5

一句话总结

本文提出了一种新颖的方法，通过利用维基百科编辑历史和页面浏览日志中的时间动态，对趋势性Twitter标签进行语义标注，采用基于影响力最大化的学习算法，提升实体链接的准确性。该方法通过在爆发期对标签与维基百科实体之间的时间相关性进行建模，在性能上比最先进基线方法高出17-28%。

ABSTRACT

Trending topics in microblogs such as Twitter are valuable resources to understand social aspects of real-world events. To enable deep analyses of such trends, semantic annotation is an effective approach; yet the problem of annotating microblog trending topics is largely unexplored by the research community. In this work, we tackle the problem of mapping trending Twitter topics to entities from Wikipedia. We propose a novel model that complements traditional text-based approaches by rewarding entities that exhibit a high temporal correlation with topics during their burst time period. By exploiting temporal information from the Wikipedia edit history and page view logs, we have improved the annotation performance by 17-28\%, as compared to the competitive baselines.

研究动机与目标

• 为解决趋势性Twitter标签语义标注研究的不足，这些标签通常具有歧义且依赖上下文。
• 克服静态内容驱动的实体链接方法的局限性，通过引入维基百科的时间动态信息。
• 开发一种自动、可扩展的方法，在标签达到峰值活跃期时，将其链接到最相关的维基百科实体。
• 通过整合维基百科页面浏览统计数据和编辑历史作为时间信号，提升标注性能。
• 设计一种学习算法，模拟社交媒体上的信息传播过程，以对实体进行排序，而无需人工标注数据。

提出的方法

• 该方法使用维基百科页面浏览日志和编辑历史，提取反映公众在标签爆发期间对实体关注度的时间序列信号。
• 通过时间序列相似性度量，对趋势性标签与候选维基百科实体之间的时间相关性进行建模，奖励与标签爆发期高度对齐的实体。
• 提出一种受影响力最大化启发的新颖学习算法，将基于内容的相似性（如语言模型）与基于时间的显著性统一到单一排序框架中。
• 该算法自动学习相似性度量的最优组合权重，无需依赖人工标注的训练数据。
• 该框架设计具有通用性，可推广至具有类似信息扩散模式的其他社交媒体平台。
• 通过结合局部提及上下文与全局时间显著性的混合相似性度量，对候选实体进行评估。

实验结果

研究问题

• RQ1 维基百科编辑历史和页面浏览数据中的时间信号是否能提升趋势性Twitter标签语义标注的准确性？
• RQ2 与静态内容驱动方法相比，整合时间相关实体动态是否能提升实体链接性能？
• RQ3 基于影响力最大化的学习策略在自动化标签标注中是否显著优于传统基线方法？
• RQ4 该方法在不同类型的标签（内生型，如模因驱动；外生型，如事件驱动）上的性能特征有何差异？
• RQ5 当爆发窗口大小变化时，该方法的鲁棒性如何，特别是在饱和或噪声较大的时期？

主要发现

• 与竞争性基线相比，所提方法在标注性能上提升了17-28%，在精确率和平均平均精度方面均取得显著提升。
• 该方法在不同爆发窗口大小下均优于所有基线，即使在饱和期噪声增加时仍保持高度稳定性。
• 基于影响力最大化的学习算法有效统一了内容与时间信号，在无需人工标注标签的情况下实现优越性能。
• 传统方法在内生型标签（如模因）上性能下降，而本方法在外生型、事件驱动型标签上表现优异，尤其在需要深层语义标注的场景中。
• 基于时间的相似性度量（如 f_t）优于基于内容的方法（如语言模型），尤其因Twitter与维基百科在词汇和分布上的差异所致。
• 该方法对窗口大小变化具有鲁棒性，在趋势期延长或不明显时仍保持一致的优越性。