論文の概要: SURGE: An Event-Centric Social Media Sentiment Time Series Benchmark with Interaction Structure

• arxiv url: http://arxiv.org/abs/2605.21198v1
• Date: Wed, 20 May 2026 13:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.708729
• Title: SURGE: An Event-Centric Social Media Sentiment Time Series Benchmark with Interaction Structure
• Title（参考訳）: SURGE: イベント中心のソーシャルメディアセンチメント時系列ベンチマークとインタラクション構造
• Authors: Chen Su, Pengsen Cheng, Yuanhe Tian, Yan Song,
• Abstract要約: SURGEは、イベント内の投稿をリンクするテキストとインタラクション構造を整列したイベントレベルの時系列をペアリングする、マルチイベントのソーシャルメディアベンチマークである。 SURGE 上では,数値のみの予測,テキスト拡張予測,高対話評価,残余のカテゴリアウト一般化のためのベンチマークプロトコルを定義する。
• 参考スコア（独自算出の注目度）: 22.207187269398545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public events on social media generate large volumes of discussion whose collective dynamics carry direct value for opinion forecasting and crisis response. Capturing how these dynamics evolve across an event's lifecycle requires organizing fragmented posts into event-level time series. Existing datasets cover only a small number of events within a single category, and typically discard the interaction structure between posts when constructing time series, which restricts both transfer across event types and controlled study of how interactions shape the resulting collective dynamics. We present SURGE, a multi-event social media benchmark that pairs event-level time series with aligned text and interaction structure linking posts within an event. SURGE is built through an automated pipeline that produces calendar-aligned time series at three temporal granularities, covering 67 events and more than 800K posts across five event categories. Each time bin is paired with flat and structured textual views derived from the same selected posts, enabling controlled evaluation of whether social interaction structure affects forecasting behavior. On top of SURGE we define benchmark protocols for numerical-only forecasting, text-augmented forecasting, high-interaction evaluation, and leave-one-category-out generalization. Experiments with representative time-series and multimodal forecasting models reveal three properties of the benchmark: a strong local-persistence regime in which naive baselines remain hard to beat under absolute error, limited transfer of existing text-augmented forecasters to event-driven social-media data, and increased difficulty on reply-dense periods that aggregate metrics tend to obscure. We further include a lightweight structure-aware probe as a reference implementation, illustrating how SURGE can support interaction-aware forecasting research.
• Abstract（参考訳）: ソーシャルメディア上での公開イベントは、意見予測や危機対応の直接的な価値を集団的ダイナミクスがもたらす大量の議論を生み出している。 これらのダイナミクスがイベントライフサイクル全体にわたってどのように進化するかをキャプチャするには、断片化されたポストをイベントレベルの時系列にまとめる必要がある。 既存のデータセットは、単一のカテゴリ内の少数のイベントのみをカバーし、通常、時系列を構築する際にポスト間の相互作用構造を破棄する。 SURGEは、イベント内の投稿をリンクするテキストとインタラクション構造を整列したイベントレベルの時系列をペアリングする、マルチイベントのソーシャルメディアベンチマークである。 SURGEは,5つのイベントカテゴリにまたがる67のイベントと800K以上のポストをカバーする,3つの時間的粒度のカレンダー整列時系列を生成する自動パイプラインを通じて構築されている。 各時間ビンは、同じ選択されたポストから抽出された平らで構造化されたテキストビューとペアリングされ、社会的相互作用構造が予測行動に影響を与えるかどうかの制御された評価を可能にする。 SURGE 上では,数値のみの予測,テキスト拡張予測,高対話評価,残余のカテゴリアウト一般化のためのベンチマークプロトコルを定義する。 典型的な時系列とマルチモーダル予測モデルによる実験では、このベンチマークの3つの特性が明らかにされている: 絶対誤差の下では、素直なベースラインが耐え難い強いローカルパーシステンス体制、既存のテキスト拡張予測器のイベント駆動型ソーシャルメディアデータへの転送制限、メトリクスを集約する応答密度期間における困難度の増加。 さらに、SURGEが相互作用認識予測研究をどのようにサポートするかを示す、軽量な構造認識プローブをリファレンス実装として含んでいる。

関連論文リスト

• Stochastic Event Prediction via Temporal Motif Transitions [0.0]
  時間的リンク予測手法は、通常、タスクを負のサンプリングを伴うバイナリ分類として表す。 本稿では、時系列リンク予測を連続時間における逐次予測問題として再構成するフレームワークSTEP(Stochastic Event Predictor)を紹介する。
  論文  参考訳（メタデータ） (2026-03-06T03:51:40Z)
• Generalized Event Partonomy Inference with Structured Hierarchical Predictive Learning [9.874456616326274]
  本稿では、ストリーミングビデオから直接マルチスケールイベント構造を監視せずに学習する統合フレームワークPARSEを紹介する。 PARSEは,時間的アライメントと構造的整合性の両方において,ストリーミング手法と競合するオフラインベースラインの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-12-03T19:41:06Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• Retrieval of Temporal Event Sequences from Textual Descriptions [0.0]
  TESRBenchはテキスト記述から時間的イベントシーケンスを検索するためのベンチマークである。 イベントシーケンスの埋め込みと検索のための新しいモデルであるTPP-Embeddingを提案する。 TPP-EmbeddingはTESRBenchデータセットのベースラインモデルよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-10-17T21:35:55Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications [23.946633955844423]
  非安全ケアに関連する副作用は、米国での死因のトップ10に入る。 イベントデータは、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、複数スケールのイベントインタラクション、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題を提起する。 本稿では,時間的不規則なイベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
  論文  参考訳（メタデータ） (2024-02-03T20:33:39Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)

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。