论文标题：

Reinforced, Incremental and Cross-lingual Event Detection From Social Messages

论文地址：

https://ieeexplore.ieee.org/document/9693189

摘要：

从社会信息中发现热点社会事件(如政治丑闻、重大会议、自然灾害等)是至关重要的，因为它突出了重大事件，有助于人们理解现实世界。由于社会信息的流特性，随着时间的推移，增量的社会事件检测模型在获取、保存和更新消息方面已经引起了广泛的关注。然而，现有的面向流社会信息的事件检测方法通常面临着事件特征模糊、文本内容分散、语言多，准确率和泛化能力较低。在本文中，我们提出了一种新的增强的（强化的）、增量的和跨语言的社会事件检测体系结构，即来自流媒体社会信息的FinEvent。具体来说，我们首先将社会消息建模为融合丰富元语义和多种元关系的异构图，并将其转换为加权多关系消息图。其次，我们提出了一种新的强化加权多关系图神经网络框 架，通过使用多智能体强化学习算法来选择跨不同关系/边的最优聚合阈值，以学习社会消息嵌入。为了解决社会事件检测中的长尾问题，设计了一种平衡采样策略指导的对比学习机制，用于增量社会消息表示学习。第三，设计了一种新的基于深度强化学习的空间聚类模型，用于在社会事件检测任务中选择形成一个聚类所需的最佳最小样本数和两个聚类之间的最佳最小距离。最后，在图神经网络上实现了基于知识保存的增量社会信息表示学习，实现了跨语言的社会事件传递检测。我们进行了大量的实验来评估推特流上的FinEvent，结果表明，在离线、在线和跨语言社会事件检测任务中，FinEvent的模型质量有了显著和持续的提高，分别提高了14%-118%、8%-170%和2%-21%。

FinEvent 的架构

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除