論文の概要: Cross Event Detection and Topic Evolution Mining in cross events for Man Made Disasters in Social Media Streams

• arxiv url: http://arxiv.org/abs/2604.02740v1
• Date: Fri, 03 Apr 2026 05:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.331134
• Title: Cross Event Detection and Topic Evolution Mining in cross events for Man Made Disasters in Social Media Streams
• Title（参考訳）: ソーシャルメディアストリームにおける人為災害のクロスイベント検出とトピック進化マイニング
• Authors: Pramod Bide, Sudhir Dhage, Mohammed Afaan Ansari, Rudresh Veerkhare,
• Abstract要約: ソーシャルメディアは世界中で情報共有に広く使われており、世界から注目を集めるのにも役立っている。 クロスイベント検出は、イベントの性質を決定する上で重要である。 我々は,主イベントから生じる時間的特性に類似したクロスイベントを検出するクロスイベント進化検出CEEDフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5049442691806052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media is widely used to share information globally and it also aids to gain attention from the world. When socially sensitive incidents like rape, human rights march, corruption, political controversy, chemical attacks occur, they gain immense attention from people all over the world, causing microblogging platforms like Twitter to get flooded with tweets related to such events. When an event evolves, many other events of a similar nature have happened in and around the same time frame. These are cross events because they are linked to the nature of the main event. Dissemination of information relating to such cross events helps in engaging the masses to share the varied views that emerge out of the similarities and differences between the events. Cross event detection is critical in determining the nature of events. Cross events have fulcrums points, i.e., topics around which the discussion is focused, as the event evolves which must be considered in topic evolution. We have proposed Cross Event Evolution Detection CEED framework which detects cross events that are similar with regards to their temporal nature resulting from main events. Event detection is based on the tweet segmentation using the Wikipedia title database and clustering segments based on a similarity measure. The cross event detection algorithm reveals events that overlap in both time and context to evaluate the effects of these cross events on deliberate negligent human actions. The topic evolution algorithm puts into perspective the change in topics for an events lifetime. The experimental results on a real Twitter data set demonstrate the effectiveness and precision of our proposed framework for both cross event detection and topic evolution algorithm during the evolution of cross events.
• Abstract（参考訳）: ソーシャルメディアは世界中で情報共有に広く使われており、世界から注目を集めるのにも役立っている。 レイプ、人権運動、汚職、政治論争、化学攻撃など社会に敏感な事件が発生したとき、世界中の人々から大きな注目を集め、Twitterのようなマイクロブログプラットフォームがこうした出来事に関連するツイートで溢れている。 イベントが進化すると、同様の性質の他の多くのイベントが同じ時間枠内で発生します。 これらは、メインイベントの性質に関連しているため、クロスイベントである。 このようなクロスイベントに関連する情報の拡散は、イベント間の類似性や相違から生じる様々な見解を共有するために、大衆を巻き込むのに役立つ。 クロスイベント検出は、イベントの性質を決定する上で重要である。 クロスイベントは、議論が焦点を置くトピック、すなわちトピックの進化で考慮しなければならないイベントが進化するにつれて、フルスクラムポイントを持つ。 我々は,主イベントから生じる時間的特性に類似したクロスイベントを検出するクロスイベント進化検出CEEDフレームワークを提案する。 イベント検出は、ウィキペディアのタイトルデータベースと類似度尺度に基づくクラスタリングセグメントを使用したツイートセグメンテーションに基づいている。 クロスイベント検出アルゴリズムは、これらのクロスイベントが故意の無知な人間の行動に与える影響を評価するために、時間と文脈の両方で重複するイベントを明らかにする。 トピック進化アルゴリズムは、イベントライフタイムにおけるトピックの変化を視点に置いている。 実Twitterデータセットにおける実験結果は、クロスイベント検出とトピック進化アルゴリズムの両方において、クロスイベントの進化における提案フレームワークの有効性と精度を示す。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• EnrichEvent: Enriching Social Data with Contextual Information for Emerging Event Extraction [4.905346662577355]
  本稿では、ストリーミングソーシャルデータから特定されていないイベントを特定するために、エンドツーエンドの新規フレームワークであるEnrichEventを提案する。 我々は、ツイートの文脈的知識を活用して、その表現を豊かにし、イベントに関するユーザの意見をよりよく把握する。
  論文  参考訳（メタデータ） (2023-07-29T21:37:55Z)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
  本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。 我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
  論文  参考訳（メタデータ） (2022-07-18T14:18:13Z)
• ESTER: A Machine Reading Comprehension Dataset for Event Semantic Relation Reasoning [49.795767003586235]
  イベントセマンティックリレーション推論のための包括的な機械学習理解データセットESTERを紹介します。 もっともよく使われるイベント意味関係を5つ検討し、質問応答タスクとして定式化します。 実験の結果、現在のSOTAシステムは、イベントベースF1、トークンベースF1、HIT@1スコアそれぞれ60.5%、57.8%、76.3%を達成した。
  論文  参考訳（メタデータ） (2021-04-16T19:59:26Z)
• Streaming Social Event Detection and Evolution Discovery in Heterogeneous Information Networks [90.3475746663728]
  イベントは現実世界やリアルタイムで行われており、社会集会、祝祭、影響力のある会議、スポーツ活動などのイベントのために計画や組織化が可能である。 ソーシャルメディアプラットフォームは、トピックの異なる公開イベントに関する多くのリアルタイムテキスト情報を生成する。 しかし、異質なテクスチャやメタデータがあいまいであることが多いため、社会イベントの採掘は困難である。
  論文  参考訳（メタデータ） (2021-04-02T02:13:10Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。