Video Experimental Relacionado
Updated: Sep 9, 2025

Integrating Computerized Linguistic and Social Network Analyses to Capture Addiction Recovery Capital in an Online Community
Published on: May 31, 2019
Aprovechar el poder de los hashtags: minería de patrones temporales y construcción de historias para la evolución de
Jinbao Song1,2, Yu He1,3, Xingyu Zhang1,3
1State Key Laboratory of Media Convergence and Communication, Communication University of China, Beijing, P.R.China.
Este estudio presenta un marco para construir líneas de tiempo de eventos a partir de datos de Weibo mediante el análisis de patrones temporales de hashtag y correlaciones semánticas. El modelo RoMLP-AttNet mejora la clasificación de eventos, mejorando el recuerdo y la precisión para un mejor seguimiento de la opinión pública.
Área de la Ciencia:
- Análisis de las redes sociales
- Procesamiento del lenguaje natural
- Ciencias de la información
Sus antecedentes:
- Weibo es una importante plataforma de redes sociales china con una gran cantidad de datos, lo que plantea desafíos para el análisis.
- La construcción efectiva de la línea de tiempo de los eventos es crucial para el seguimiento de la opinión pública y la progresión de los eventos.
- Los métodos existentes luchan con la escala y la complejidad de los datos de las redes sociales.
Objetivo del estudio:
- Proponer un marco para modelar sistemáticamente la evolución de los eventos en Weibo.
- Construir historias de eventos claras y ordenadas mediante el análisis de patrones temporales y correlaciones semánticas de hashtags.
- Introducir y evaluar el modelo RoMLP-AttNet para mejorar la clasificación de eventos de Weibo.
Principales métodos:
- Extracción de características temporales para capturar los tiempos de publicación de Weibo.
- Combinando información temporal con similitud de etiquetas de temas para el análisis de correlación.
- Un algoritmo de fusión de temas basado en la línea de tiempo para la construcción de la historia.
- El modelo RoMLP-AttNet utiliza secuencias de publicación de temas para la detección de eventos.
Principales resultados:
- El marco propuesto generó con éxito una historia clara y completa para el evento de "efluentes nucleares japoneses".
- El modelo RoMLP-AttNet demostró mejoras significativas en la clasificación de eventos de Weibo.
- Se lograron aumentos promedio del 16,73% en el recuerdo, del 15,8% en la precisión y del 17,38% en la puntuación de F1.
Conclusiones:
- El marco desarrollado modela efectivamente la evolución de eventos y construye historias de eventos a partir de datos de Weibo.
- El modelo RoMLP-AttNet ofrece un avance sustancial en el rendimiento de clasificación de eventos de Weibo.
- Esta investigación proporciona herramientas valiosas para analizar y comprender la dinámica de los eventos de las redes sociales.
Videos de Conceptos Relacionados
Time-Series Graph
Steps in Outbreak Investigation
Social Scripts
Introduction To Survival Analysis
The primary goal of survival analysis is to estimate survival time—the time...

