[发明专利]一种基于社会媒体平台的社会事件的跟踪和演变方法

权利要求书

1.一种基于社会媒体平台的社会事件的挖掘和演变方法，其特征在于，该方法包括步骤如下：

步骤S1，对各个社会事件文档的文本和视觉信息进行特征提取，对社会事件的多模态信息进行语义层次特征提取，从而获得各个社会事件文档的文本和视觉信息的语义描述；

步骤S2，输入各个社会事件文档的多模态语义描述，使用基于事件的多模态主题模型(mmETM)，对多模态数据的社会事件进行建模，得到代表性的视觉-文本主题和代表性的非视觉主题；

步骤S3，针对时序性的社会事件数据，利用基于多模态主题模型(mmETM)的在线推断算法，挖掘其多模态的文本和视觉主题，将整个事件过程可视化显示。

2.根据权利要求1所述的基于社会媒体平台的社会事件的挖掘和演变方法，其特征在于，所述基于事件的多模态主题模型(mmETM)具体为：

a)给定当前时刻为t的一系列包含长文本和相关图像的社会事件的文档集为E_t＝{d₁，d₂，…，d_M}，其中M是文档集的数量，时刻t是一个离散变量，根据事件的演变时间来进行设置t的周期；

b)每一个文档d包含两个部分：文本部分w_d和视觉部分v_d；

c)参数有：K个代表性的视觉-文本主题空间分布为H个代表性的非视觉主题空间分布为其中K和H分别是对应空间分布的主题数量；

d)每一个文档都和两类代表性的主题分布相互关联，θ_d是基于代表性的视觉-文本主题空间的文档-主题分布，ψ_d是基于代表性的非视觉主题空间的文档-主题分布；

e)使用开关变量x来控制文档中的词是由代表性的视觉-文本主题空间还是由代表性的非视觉主题空间产生。

3.根据权利要求2所述的基于社会媒体平台的社会事件的挖掘和演变方法，其特征在于，文档集合中的每个文档d的生成过程具体为：

●对于代表性的视觉-文本主题空间，其中文本主题Z^W和视觉主题Z^V，根据狄利克雷先验分布和分别获得代表性的视觉-文本主题空间中和的多项分布；

●对于代表性的非视觉主题空间，其中文本主题Z^W，根据狄利克雷先验分布获得代表性的非视觉-文本主题空间中的多项分布；

●对于每一个文档d：

■抽样得到一个二项分布π_d，该抽样服从参数为γ的贝塔分布，记为π_d～Beta(γ)；

■抽样得到一个关于代表性的视觉-文本主题空间的多项分布θ_d，记为θ_d～Dir(α)，α是狄利克雷先验分布的参数；

■抽样得到一个关于代表性的非视觉主题空间的多项分布ψ_d，记为ψ_d～Dir(β)，β是狄利克雷先验分布的参数；

■对于每一个文档d的每一个文本单词w_d：

●根据二项式分布Binomial(π_d)，抽样得到开关变量x_dn，记为x_dn～Binomial(π_d)；

●如果x_dn＝0，根据多项式分布Mult(ψ_d)，从代表性的非视觉主题空间抽样得到文本单词w_d的主题记为

●如果x_dn＝1，根据多项式分布Mult(θ_d)，从代表性的视觉-文本主题空间抽样得到文本单词w_d的主题记为

●根据多项式分布由主题抽样得到单词w_d，记为

■对于每一个文档d的每一个视觉单词v_d：

●如果x_dn＝1，根据多项式分布Mult(θ_d)，从代表性的视觉-文本主题空间抽样得到文本单词v_d的主题记为

●根据多项式分布由主题抽样得到单词v_d，记为

4.根据权利要求3所述的基于社会媒体平台的社会事件的挖掘和演变方法，其特征在于，所述基于多模态主题模型(mmETM)的在线推断算法的具体过程是：

时刻t的事件的文档集E_t＝{d₁，d₂，…，d_M}，通过所述基于事件的多模态主题模型(mmETM)，挖掘得到时刻t中的社会事件的多模态的文本和视觉主题；在下一个时刻t+1，本发明使用上一个时刻t获得的多模态的文本和视觉主题作为先验，再作用于所述基于事件的多模态模型(mmETM)，得到时刻t+1中的多模态的文本和视觉主题，过程不断演变，最终得到了整个社会事件随着时间不断演变的主题信息。