一个新的优化辅助多规模和扩展的自适应混合深度学习网络,具有功能融合,用于从社交媒体检测事件
Ruhi Patankar1,2, Albert Pravin1
1Department of Computer Science and Engineering, Sathyabama Institute of science and Technology, Chennai, India.
Network (Bristol, England)
|July 17, 2024
概括
这项研究引入了一种用于社交媒体事件检测的新型深度学习模型,其性能优于现有的方法. 多尺度和扩展自适应混合深度学习 (MDA-HDL) 模型在从社会数据中识别事件时实现了高准确性.
科学领域:
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 社交媒体是全球事件的关键沟通道.
- 现有的事件检测模型在时间和空间分辨率方面扎.
- 需要改进社交媒体事件检测技术.
研究的目的:
- 通过使用社交媒体数据提出一种新的事件检测方法.
- 通过解决时间和空间限制,提高事件检测的有效性.
- 开发一个强大的深度学习模型,用于准确识别社会事件.
主要方法:
- 数据收集和预处理.
- 使用来自变压器的双向编码器表示 (BERT) 和术语频率反向文档频率 (TF-IDF) 的特征提取.
- 使用多尺度和扩展自适应混合深度学习 (MDA-HDL) 网络进行事件检测,并通过改进的Gannet优化算法 (IGOA) 进行优化.
主要成果:
- MDA-HDL模型实现了高精度:94.96%的数据集1和96.42%的数据集2.
- 与基线方法相比,拟议的模型表现出优越的性能.
- 多尺度和扩展层的整合提高了检测效率.
结论:
- MDA-HDL模型在社交媒体事件检测方面取得了重大进展.
- IGOA优化有效地提高了该模型的性能.
- 这种方法提供了一种更准确和更有效的方法,用于从大型数据集中识别社会事件.
