This paper formulates the problem of dynamically identifying key topics with proper labels from COVID-19 Tweets to provide an overview of wider public opinion. Nowadays, social media is one of the best ways to connect people through Internet technology, which is also considered an essential part of our daily lives. In late December 2019, an outbreak of the novel coronavirus, COVID-19 was reported, and the World Health Organization declared an emergency due to its rapid spread all over the world. The COVID-19 epidemic has affected the use of social media by many people across the globe. Twitter is one of the most influential social media services, which has seen a dramatic increase in its use from the epidemic. Thus dynamic extraction of specific topics with labels from tweets of COVID-19 is a challenging issue for highlighting conversation instead of manual topic labeling approach. In this paper, we propose a framework that automatically identifies the key topics with labels from the tweets using the top Unigram feature of aspect terms cluster from Latent Dirichlet Allocation (LDA) generated topics. Our experiment result shows that this dynamic topic identification and labeling approach is effective having the accuracy of 85.48\% with respect to the manual static approach.


翻译:本文阐述了以COVID-19 Tweets的恰当标签动态识别关键主题以提供更广泛的公众舆论概览的问题。如今,社交媒体是通过互联网技术连接人们的最佳途径之一,这也是我们日常生活的重要组成部分。在2019年12月底,新创的科罗纳病毒(COVID-19)爆发了,世界卫生组织由于它迅速蔓延到世界各地而宣布了紧急情况。COVID-19流行病影响了全球许多人使用社交媒体。Twitter是最具影响力的社会媒体服务之一,其使用从该流行病中急剧增加。因此,动态提取带有CVID-19的推特标签的具体专题对于突出对话而不是手动标注方法来说是一个具有挑战性的问题。在这份文件中,我们提出了一个框架,用Litetent Dirichlet分配(LDA)的顶级术语组群集的顶级Unigram特征自动识别关键专题。我们的实验结果表明,这种动态专题识别和标签方法对85.48号手册的准确性是有效的。

0
下载
关闭预览

相关内容

专知会员服务
123+阅读 · 2020年9月8日
【强化学习资源集合】Awesome Reinforcement Learning
专知会员服务
93+阅读 · 2019年12月23日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Arxiv
0+阅读 · 2021年11月13日
Arxiv
3+阅读 · 2015年5月16日
VIP会员
Top
微信扫码咨询专知VIP会员