Unsupervised and supervised learning to evaluate event relatedness based on content mining from social-media streams
برای دانلود رایگان مقاله اصلی به زبان انگلیسی اینجا کلیک کنید
یادگیری بدون نظارت و تحت نظارت برای ارزیابی وابستگی رویداد بر مبنای محتوی کاوی از جریان های رسانه های اجتماعی
چکیده
با توجه به رشد انفجاری برنامه های نرم افزاری رسانه های اجتماعی، افزایش اگاهی از رویدادها بوسیله ی اجتماع کاوی (کاوش رسانه های اجتماعی) از اهمیت بسیار زیادی برخوردار شده است. محتوای میکروبلاگ ها حامل اطلاعات ارزشمندی پیرامون رویدادها و وقایع مصیبت بار گذشته می باشد. برای درس گرفتن از تجارب حاصل از رویدادهای گذشته جهت مقابله با رویدادهای درحال ظهور دنیای واقعی، ما در این تحقیق، از پیام های رسانه های اجتماعی برای توصیف رویدادهای دنیای واقعی از طریق کاوش محتوای آنها و استخراج ویژگی های ضروری برای تجزیه و تحلیل وابستگی استفاده می کنیم. از یک سو، ما یک روش خوشه بندی آنلاین بر روی میکروبلاگ های توییتر برای تشخیص رویدادهای درحال ظهور پایه ریزی کردیم و در عین حال ارزیابی وابستگی رویداد را با استفاده از یک روش خوشه بندی نظارت نشده (بدون نظارت) انجام دادیم. از سوی دیگر، یک مدل یادگیری تحت نظارت را برای ایجاد شاخص های اندازه گیری توسعه پذیر جهت ارزیابی وابستگی رویداد طرح ریزی کردیم. بوسیله یادگیری تحت نظارت، شاخص های اندازه گیری توسعه یافته مان قادر خواهند بود تا وابستگی رویدادهای تاریخی گوناگون را محاسبه کنند که این امر این امکان را بوجود می آورد که تاثیرات رویداد بر روی حوزه های مشخصی از نظر کمی برای مقایسه ی رویداد اندازه گیری شود. با ترکیب قابلیت های هر دو روش، نتایج آزمایشی نشان داد که چهارچوب ترکیبی در سیستم مان برای کشف دانش ناشناخته تری پیرامون تاثیرات رویداد و افزایش آگاهی های رویداد معقول است.
کلیدواژه ها: جریان کاوی، داده کاوی، ارزیابی رویداد، شبکه های اجتماعی
نوع فایل: word صفحات ترجمه: 39 سال: 2012 قیمت: 35000 تومان
کد مقاله: 1074
