Earthquake Shakes Twitter Users: Real-time Event Detection by Social Sensors
Takeshi Sakaki, Makoto Okazaki, Yutaka Matsuo所提出，發表於 WWW'2010
--
摘要
微網誌(Microblogging)不同於部落格(Blog)，使用者一週可能發表3到5篇的部落格文章，但是一天可能就發表3到5篇的微網誌，這是一個即時(Real-time)的環境，每個使用者就像一個裝在社會上的感測器(Social Sensor)一樣，可以隨時回報自己在真實環境感受到的事情，反應當下(Now)的想法，我們可以收集這些感測器所回報的資訊並且加以利用，如何有效利用這些資訊就是值得探討的一項課題。
從以往數據觀察發現，使用者多半會對於大型的社會事件或災難事件進行關注與回報，因此，作者假設微網誌(Microblogging)使用者會即時反應地震或颱風等災難事件，藉由收集感測器回報的資訊之後進行過濾分析，以此基礎建立地震和颱風事件的偵測系統。
Why Detection earthquake and typhoon?
- They are of large scale
(many users experience)
- They particularly influence people’s daily life
(they are induced to tweet about it)
- They have both spatial and temporal regions
(real-time location estimation would be possible)
PS:資訊收集的來源是透過Twitter的API
--
方法與實驗
目標：
1.Provides an example of integration of semantic analysis and real-time nature of Twitter.
2.Earthquake prediction and early warning about innovative social approach .
整個模組(Model)架構分為兩大部分：
事件資訊收集訓練與語意分析。
事件發生時間計算與地點評估。
Training and Analytics
使用SVM分成三個特徵(feature)來進行正確資訊的訓練
(SVM是常用在分類訓練上的方法，是一種有人監督的學習過程)
Features A - (statistical features) 統計事件
Features B - (keyword features) 事件關鍵字
Features C - (word context features) 關鍵字上下文
實際使用earthquake或shake等字眼進行搜尋，可以發現Features A的特徵有較好的準確度，而Features C的準確度較差，或許是因為當重大災難來臨的時候，使用者為了節省時間多半會使用簡短的文字來告知這項訊息。
Temporal and Spatial
假設事件的發生時間是指數分布，可以推導出當事件發生後，過多久時間會產生tweets。
使用Kalman Filters與Particle Filters進行地震震央位置(location)的過濾，實驗結果證明Particle Filters的效果較好，原因來至於地震的中心有可能在海上等無人居住的地方，所以Kalman Filters的效果會較差。
實驗結果證明此方法能比日本氣象廳(JMA)來的更有效率預測到地震事件的發生。
--
討論
If the detection of rainbow information?
When two location occur earthquake in same time?
More advanced algorithms for query expansion?
回饋
如何針對一個問題找到有趣的應用，並且可以實作它？
對於一個新的問題，可以試著去思考假如是自己會如何去解決，在來看看別人作法和自己有什麼不一樣，因為每個人的思維是不一樣的，所以解決的方式也會不一樣。
除了天然災害以外，有可能應用到其他事件嗎？
假如應用到其他事件偵測，那搜尋關鍵字(query keyword)要怎麼得到呢？
當事件發生的頻率提高時，預測是否會降低？
我們有可能掌握使用者習慣嗎？
大膽假設，細心求證
這是做研究需要保持的心態
0 留言:
張貼留言