本文主要是介绍论文学习Discovering Event Evolution Graphs From News Corpora,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
摘要
鉴于互联网技术的进步,我们现在可以很容易地从CNN.com等新闻网站上获取任何正在发生的事件的数百或数千条新闻报道,但信息量太大,我们无法捕捉到蓝图。信息检索技术,如主题检测和跟踪技术,能够将新闻故事组织成事件,在一个主题中以扁平的层次结构进行组织。然而,他们无法呈现事件之间复杂的进化关系。我们不仅有兴趣了解重大事件是什么,而且还想了解它们是如何在主题中发展的。它有利于鉴别开创性事件,中间事件和结束事件,以及这些事件的演变。本文提出利用事件时间戳、事件内容相似度、时间贴近度和文档分布邻近度来模拟事件之间的事件演化关系。构造了一个事件演化图来表示事件的底层结构,以有效地浏览和提取信息。通过实例分析和实验验证了该方法的有效性。结果表明,我们提出的技术优于基线技术和其他类似的技术。
1. introduction
大多数新闻报道都有在诸如CNN、BBC、CBS等新闻专线上发布的电子版本,谷歌和雅虎等信息网站可以在多个新闻频道上搜索,以检索任何正在发生的事件的新闻报道。从多个来源检索同一主题的新闻和保持信息的更新变得更加方便和容易。然而,它也产生了大量的新闻文本流。管理、解释和分析如此庞大的信息量是一项艰巨的任务。需要能够提取新闻事件的底层结构的技术。它们有助于用户了解同一主题事件的演变过程。
在主题检测和跟踪(TDT)的研究中,已经开发出不同的技术来监视新闻故事、新闻事件和跟踪先前发现的事件的进展[3]-[5],[22]-[26]。TDT研究将新闻故事作为分层结构。
- 事件是在某个特定时间发生的事情。
- 主题是一组相互强烈互连的事件。尽管用户能够捕获事件中的主要事件,但是难以在事件内捕获事件的发展,即它们之间的关联。例如,内战的爆发可能演变为有关国家的经济和社会危机,然后演变为难民问题。在同一主题中也可能发生一些其他事件,例如,国家军队对反叛者赢得了很大的打击,这显然与最后两个事件没有强烈关联。TDT技术已经尝试在这些事件中检测或聚类新闻故事,而不定义或解释这些事件之间的关联。为了呈现事件的发展过程,我们必须在事件之间建立这种关联,我们将这些关联定义为事件演变。
本文的目的是开发一种能够识别新闻主题内新闻事件之间的演化关系的技术。这些关系表示事件是如何从特定新闻事件的开始
这篇关于论文学习Discovering Event Evolution Graphs From News Corpora的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!