Detecting global and local topics via mining twitter data

شناسایی موضوعات از توییتر برای شناخت رویدادهای اجتماعی به طور گسترده مورد مطالعه قرار گرفته است. دو موضوع مختلف وجود دارد، به عنوان مثال، موضوعات جهانی که توییت های گسترده ای را با حجم بزرگتر و مضامین محلی جلب می کنند و توجه توییتر محدود به جایی را جلب می کنند. با این حال، اکثر آثار موجود، اختلاف بین آنها را نادیده می گیرند و از تأثیر طول تیرگی رنج می برند، که ناشی از عدم توانایی تشخیص محلی است. در این مقاله، ما موضوع های جهانی و محلی را با هم تلفیق هر صدای جیر جیر با هر یک از آنها به طور همزمان تمدید می کنیم. ما یک مدل گرافیکی احتمالاتی را پیشنهاد می کنیم که همزمان در یک چارچوب یکپارچه، عناصر جهانی و محلی مربوط به رویدادهای اجتماعی را استخراج کند. مدل ما موضوعات جهانی را با استفاده از توییت های پراکنده در اطراف مکان ها فرا می گیرد، در حالیکه مطالعات محلی را صرفا با استفاده از توییت در محل مربوطه مطالعه می کند. ما از چندین شهر در ایالات متحده آمریکا از دو مجموعه داده توییتی در توییتر جمع آوری می کنیم و مدل ما را بر آنها ارزیابی می کنیم. نتایج تجربی نشان دهنده بهبود چشمگیر مدل ما نسبت به روش های پایه است.