一个注意力增强的少数拍摄模型用于在线社交网络中的事件检测

科学领域:

• 计算社会科学 计算社会科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 在线社交网络 (OSN) 是主要的信息来源,需要强大的事件检测机制.
• 现有的事件检测方法在大规模数据注释和识别新奇或未见的事件方面扎.
• 在动态的 OSN 环境中,对从有限的数据中概括的适应性模型的需求至关重要.

研究的目的:

• 介绍AttendFew,这是一个设计用于在线社交网络 (OSN) 事件检测的短暂学习模型.
• 解决数据稀疏性和检测社交媒体数据中未见事件的挑战.
• 开发一个需要最小标记数据的模型,同时保持高适应性和性能.

主要方法:

• 使用BERTweet编码社交媒体帖子以捕获上下文信息.
• 雇员图表注意力网络 (GATs) 集成社交网络数据的结构方面.
• 实施堆叠的注意力机制,以有效地理解本地和全球背景,结合多层感知器 (MLP) 来进行特征分类.

主要成果:

• 与最先进的 (SOTA) 和基线方法相比,AttendFew显示出明显优异的性能.
• 在真实世界数据集上实现了更高的准确性和F1得分,验证了模型的有效性.
• 成功地减轻了数据依赖性,并改进了对未见事件的检测.

结论:

• 短暂的学习为数据稀疏和动态的 OSN 环境中事件检测提供了可行的解决方案.
• AttendFew模型提供了一种强大而可适应的方法,用于以最小的数据要求检测事件.
• 这项研究强调了利用先进的深度学习技术来理解复杂的社交网络动态的潜力.