An unsupervised multilingual approach for online social media topic identification

داده های رسانه های اجتماعی می تواند در بسیاری از موارد ارزشمند باشد. با این حال، مقدار گسترده ای از محتوا به اشتراک گذاشته شده و زبان های زبانی زبان های مورد استفاده در رسانه های اجتماعی، باعث می شود که موضوعات بسیار ارزشمند شناسایی شود. در این مقاله، ما یک رویکرد چند زبانه بدون نظارت برای شناسایی شرایط و موضوعات بسیار مرتبط از توده داده های رسانه های اجتماعی ارائه می دهیم. این رویکرد ترکیبی از رتبهبندی اصطلاحات، تجزیه و تحلیل زبان محلی، خوشهبندی موضوعهای کنترل نشده و تحلیلهای چندرسانه ای است که از طریق تجزیه و تحلیل توییتهای توییتر از یک دوره زمانی، موضوعات ممتاز را استخراج میکند. مشاهده می شود که هر کدام از روش های رتبه بندی شده دارای نقاط قوت و ضعف خود هستند و روش پیشنهاد شده ما "مشترک" می تواند از نقاط قوت روش های رتبه بندی استفاده کند. این روش «رتبه بندی مشترک» همراه با مدل خوشه بندی موضوعی غیرمستقیم نشان می دهد که توانایی کشف موضوعات مورد علاقه یا نگرانی به یک جامعه محلی را دارد. در واقع، قادر بودن به این کار ممکن است به تصمیم گیرندگان کمک کند تا نظرات و نگرانی های واقعی را بر روی زمین سنجند. از لحاظ نظری، تحقیق قابل توجه است؛ زیرا نشان می دهد که یک رویکرد شناسایی موضوع آنلاین بدون نظارت بدون طراحی بسیار مفید و ضروری طراحی شده است که ممکن است پیامدهای زیادی برای توسعه آینده سیستم های متخصص و هوشمند داشته باشد.