ارائه يك روش بهبوديافته در شناسايي رويداد در توئيتر

كارشناسي ارشد

با گسترش اينترنت و گوشي¬هاي هوشمند، استفاده از شبكه¬هاي اجتماعي به عنوان يك ابزار ارتباطي قوي ميان افراد جوامع مختلف رواج يافته¬است. شبكه¬هاي اجتماعي، كاربران را قادر مي-سازند تا محتواهاي متنوعي همچون متون كوتاه، پيوندها، ويديوها وتصاوير را در ميان شبكه¬اي از دنبال¬كنندگان خود به اشتراك بگذارند. توئيتر، يكي از محبوب¬ترين و پرجمعيت¬ترين شبكه¬هاي اجتماعي است كه به سرعت رشد كرده¬است. كاربران توئيتر، در طول روز پيام¬هاي متعددي را توئيت مي¬كنند كه اين پيام¬ها حاوي اتفاقات روزمره زندگي شخصي آن¬ها تا اخبار و وقايع مهم جهان مي¬شود. در بيشتر موارد، رويدادها و اخبار قبل از پوشش توسط رسانه¬هاي خبري، در توئيتر منتشر مي¬شوند. شناسايي اين رويدادها و وقايع، موضوعي چالش¬برانگيز در حوزه¬ي متن-كاوي است كه توجه محققان زيادي را به خود جلب كرده¬است. يادگيري عميق زير شاخه¬اي از يادگيري ماشين است كه سعي دارد بر مبناي مجموعه¬اي از الگوريتم¬ها، مفاهيم انتزاعي سطح بالا را از داده¬ها استخراج كند. اين فرآيند با استفاده از يك شبكه¬ي عصبي عميق صورت مي-گيرد كه داراي چندين لايه تبديلات خطي و غيرخطي است. استفاده از يادگيري عميق در متن، مي¬تواند بسياري از مسائل پردازش زبان طبيعي را آسان¬تر پاسخ دهد. هدف اين پژوهش، شناسايي رويدادهاي شبكه اجتماعي توئيتر با كمك يادگيري عميق است؛ بدين منظور، دو مدل پيشنهادي بر مبناي يادگيري عميق ارائه داديم. مدل پيشنهادي اول (Sem-DED) شامل دو بخش شناسايي رويداد در توئيتر و انطباق خبر با رويدادهاي حاصل است. در بخش شناسايي رويداد، ابتدا به پيش‌پردازش متن، سپس به استخراج تعبيه‌هاي متون با تركيب مدل Sentence Transformer و تكنيك كاهش بعد UMAP، مي‌پردازيم. در نهايت، از بردار نهايي توئيت به عنوان ورودي الگوريتم HDBSCAN استفاده مي‌شود تا موضوعات توئيت‌ها شناسايي شود. ارزيابي نتايج حاصل از خوشه‌بندي نشان مي‌دهد كه روش پيشنهادي نسبت به ديگر پژوهش‌هاي مبتني بر موجوديت، بهبود حداقلي 8 درصد و بهبود حداكثري 32 درصد در معيار F-score داشته‌است. سپس از يك مدل شبكه عصبي براي پيوند اخبار و موضوعات شناسايي‌شده استفاده مي‌كنيم كه نتايج حاصل نشان مي‌دهد كه مدل شبكه عصبي با دقت بالايي (نزديك 97 درصد) نسبت به مدل‌هاي رده‌بندي ديگر، به طرز قابل توجهي بهتر عمل مي‌كند. در مدل پيشنهادي دوم (DeepGraph)، يك روش گرافي برخط مبتني بر يادگيري عميق براي شناسايي رويدادها ارائه شده‌است. در اين مدل، از تركيب مدل Word2vec، روش‌هاي شناسايي جوامع و معيار فاصله WMD استفاده مي‌شود. در اين مدل، گره‌هاي گراف را توئيت‌ها تشكيل مي‌دهند، و در صورتي كه دو توئيت، حداقل يك موجوديت اسمي مشترك داشته باشند، شباهت معنايي با كمك معيار WMD محاسبه مي‌شود و در صورتي كه مقدار آن‌ها بيشتر از يك مقدار آستانه باشد، يالي ميان آن‌ها تشكيل مي‌شود. سپس از يك الگوريتم شناسايي جوامع برخط حريصانه و LDA براي شناسايي رويدادها استفاده مي‌شود. همچنين از تركيب مدل LDA و معيار فاصله WMD، به منظور تركيب رويدادهاي تكراري استفاده مي‌شود. نتايج ارزيابي نشان مي‌دهد كه نسبت به سه پژوهش مبتني بر موجوديت بهبود حداقلي 1 درصد و حداكثري 25 درصد در معيار F-score داشته‌ايم.

205235

دانشگاه علم و صنعت ايران

مهندسي كامپيوتر - نرم افزار

دكتر حسين رحماني