基于多源数据的融合CNN+LSTM社交事件检测

《Electronics》：Multisource Information-Based Social Event Detection Using Integrated Deep Neural Architectures and Hybrid Text Representation

　　事件检测对于及时危机响应、公共安全和打击虚假信息至关重要，通过从实时社交数据中提取关键信号来实现。社交媒体平台上用户生成的内容使得智能系统成为迫切需求，这些系统需要能够准确检测和分类跨领域真实世界事件。本文提出了一种融合驱动框架用于社交事件检测，利用来自多种社交媒体源的文本数据和一套深度神经架构，在从嘈杂、非结构化的社交媒体流中对不同事件类别进行分类时实现了最先进的性能。所提出的系统从异构领域收集信息，包括医疗状况、自然灾害和体育事件，以提升特征丰富性和上下文感知能力。我们的方法采用了一种混合深度学习策略，具体来说是定制化的分层CNN+LSTM架构。这种融合使模型能够同时学习空间和时间依赖性，从而增强分类性能。为了基准测试有效性，我们评估了独立架构，包括CNN、RNN、LSTM、BiLSTM和BiRNN。在单个模型中，LSTM和BiLSTM表现最佳，分别达到了高达95.3%和95.8%的精确率、95.5%和96.1%的召回率、95.4%和95.9%的准确率、95.4%和96.0%的F1分数、95.6%和96.2%的F1.5分数，以及95.5%和96.1%的F2分数。然而，由于单层视角在上下文泛化方面的局限性，这些模型在事件类型间仍表现出变异性。相比之下，所提出的融合CNN和LSTM模型在14个独立类别上记录了具有前景的性能，取得了优越的F1分数，在痤疮、地震、滑坡、体癣和白癜风上达到100%，抑郁症上达到99%，羽毛球和网球上达到98%，板球上达到97%，以及FIFA（2022）上达到96%。这些结果证明了模型在高低频类别上的稳健性，以及其在多变语言和主题上下文中泛化的能力。从多个异构源收集数据不仅缓解了领域特定偏差和类别不平衡带来的局限性，还丰富了语义表示并提高了模型对新兴事件的适应性。因此，本研究为公共安全、健康监测和危机管理等领域的智能、实时事件分类系统建立了可扩展的基础。