从知识库到微博流的类别级别转移学习以进行准确的事件检测

许多Web应用程序都需要在微博客流上使用准确的事件检测技术。 但是,现有方法的准确性仍然受到微博的短长度和高噪声的挑战。 我们开发了一种新颖的类别级别的转移学习方法TransDetector来处理此任务。 TransDetector基于两个事实,即微博虽然简短,但可以通过迁移学习在语义上丰富知识库。 并且可以在语义更丰富的微博上更准确地检测事件。 在TransDetector中做出了以下贡献。 (1)我们提出了一种结构指导的类别级主题提取方法,该方法利用知识库的层次结构来提取类别的高度相关主题。 (2)我们开发了用于类别级迁移学习的概率模型CTrans-LDA,该模型利用词共现并将知识库的类别级主题转移到微博中。 (3)由于语义更丰富,噪音更少,因此可以在类别级单词时间序列上准确地检测到事件。 (4)实验验证了从知识库中提取的类别级别主题的质量,对基准爱丁堡推特语料库的进一步研究验证了我们提出的转移学习方法用于事件检测的有效性。 TransDetector实现了高精度,在不降低召回率的情况下将精度提高了9%。