دانلود مقاله ترجمه شده استفاده از تجزیه و تحلیل زمانی برای شناسایی رویداد در رسانه های اجتماعی (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

شناسایی رویداد در رسانه های اجتماعی بزرگ با استفاده از تجزیه و تحلیل زمانی

Event Detection on Large Social Media Using Temporal Analysis

چکیده

۱- مقدمه

۱-۱ موضوع تحقیق

۱-۲ انگیزه تحقیق

۲- کار مرتبط

۲-۱ موقعیت براساس ویژگی‌های مکانی

۲-۲ ویژگی های متنی

۲-۳ ویژگی های دوگانه- مکانی و متنی

۳- تشخیص رویداد زمانی

۳-۱ مجموعه داده

۳-۲ معیارهای ارزیابی

۴- نتایج تجربی و بحث

۵- نتیجه‌گیری

چکیده

هم‌اکنون، شبکه‌های رسانه‌های اجتماعی به‌عنوان یکی از کانال‌های خبری اصلی در نظر گرفته می‌شوند که می‌توانند مهم‌ترین اخبار را منعکس کنند. به‌دلیل محبوبیت بسیار زیاد رسانه‌های اجتماعی، اخیرا توجه‌ی پژوهشگران به بررسی مسئله‌ی تشخیص رویداد در رسانه‌های اجتماعی جذب شده است. روش‌های موجود بر روی ویژگی‌های تمرکز دارند که منعکس‌کننده‌ی همه‌ی ویژگی‌های شبکه‌های اجتماعی نمی‌باشد. برای هدف این تحقیق، ما یک رویداد را به‌عنوان یک رخداد که دارای نیرو و تکانه‌ی کافی باشد، تعریف می‌کنیم که می‌تواند یک تغییر قابل‌توجه در شکل شبکه‌های اجتماعی به‌وجود آورد. این نوع تعریف برای ما یک چشم‌انداز گسترده را فراهم می‌کند که ما می‌توانیم تصویر بزرگی از شبکه‌های اجتماعی را مشاهده نماییم. در این تحقیق، ما یک چارچوب جدید برای تشخیص رویدادها بر روی رسانه‌های اجتماعی ارائه می‌دهیم. ما یک روش زمانی جهت تشخیص تغییر ساختاری شبکه‌های اجتماعی معرفی می‌کنیم که منعکس‌کننده‌ی رخدادهای یک رویداد با استفاده از الگوریتم‌های فراگیری ماشین می‌باشد. در این پژوهش، ما نشان می‌دهیم که فرآیند زمانی شبکه‌های اجتماعی سبب ایجاد یک سازگاری کامل بر روی شبکه‌های اجتماعی می‌گردد که نتایج دارای دقت بالا برای تشخیص رویداد می‌باشد.

۵- نتیجه‌گیری

در این پژوهش، تشخیص رویداد رسانه‌های اجتماعی مورد توجه قرار گرفته است، زیرا رسانه‌های اجتماعی بسیار محبوب می‌باشند. روش‌های موجود به سه دسته تقسیم می‌شوند: (i) تشخیص رویداد براساس مکان کاربران، (ii) تشخیص رویداد براساس پیام‌های کاربران و (iii) تشخیص رویداد براساس روش‌های دوگانه که ترکیبی از ویژگی‌های مکانی و متنی پیام می‌باشد. محدودیت الگوریتم تشخیص در بعضی از ویژگی‌ها باعث می‌گردد که سیستم تشخیص فاقد عمق مورد نیاز جهت ظبط کردن پیچیدگی کامل شبکه باشد. ما یک روش زمانی برای نشخیص تغییرات ساختاری در شبکه‌های اجتماعی معرفی می‌کنیم که منعکس‌کننده‌ی یک رخداد از یک رویداد با استفاده از الگویتم‌های فراگیری ماشین می‌باشد. در این تحقیق، ما نشان دادیم که پردازش کردن نمودارهای شبکه‌های اجتماعی به‌صورت زمانی باعث ظبط کردن پیچیدگی کامل در شبکه‌های اجتماعی می‌گردد که در نتیجه صحت مدل تشخیص رویداد بالاتر می‌رود. ما یک چارچوب تشخیص رویداد نمودارهای شبکه‌های اجتماعی به‌صورت زمانی براساس روش تبدیل شبکه‌های اجتماعی جدید که جریان‌های رسانه‌های اجتماعی را به تصاویر زمانی تبدیل می‌کند، ارائه دادیم که اجازه‌ی ایجاد یک مدل بهتر پیش‌بینی تشخیص رویداد را می‌دهد.

Abstract

Social media networks are now considered as one of the major news channels that breaks news as they fold. The problem of event detection based on social media has attracted researchers’ attention recently because of the enormous popularity of social media. Existing approaches focus on features that don’t reflect full characteristics of the social network. For the purpose of this research, we define an event as an occurrence that has enough force and momentum that could create an observable change of the context of a social network. Such a definition provides us with a wider perspective through which we can view the big picture of the social network. In this research, we propose a novel framework for detecting events on social media. We introduce a temporal approach to detect structural change of the social network that reflects an occurrence of an event using machine learning algorithms. In this study, we show that processing temporal social networks captures the complete complexity of the social network, which results in a higher accuracy of event detection.

۵- Conclusion

In conclusion, the event detection of social media is attractive because of the popularity of social media. Existing approaches falls into one of three categories: (i) event detection based on users location, (ii) event detection based on users messages, and (iii) event detection based on a hybrid approach that combines location and textual features of the message. Constraining the detection algorithm to such features results in a detection system that lacks the depth required to capture the full complexity of the network. We introduce a temporal approach to detect structural changes in the social network that reflects an occurrence of an event using machine learning algorithms. In this study, we show that processing temporal social networks graphs captures the complete complexity of the social network, which results in a higher event detection model accuracy. We proposed a Temporal Social Network Graphs Event Detection framework based on a novel social network transformation approach that transforms social media streams into temporal images, which allows for building a better event detection predictive model.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شناسایی رویداد در رسانه های اجتماعی بزرگ با استفاده از تجزیه و تحلیل زمانی

Event Detection on Large Social Media Using Temporal Analysis