Top-k temporal keyword search over social media data
Top-k temporal keyword search over social media data
复制标题
社交媒体数据上的 Top-k 时间关键词搜索
DOI：
10.1007/s11280-016-0430-0
复制
发表时间：
2017-01
影响因子：
3.7
通讯作者：
Zhou Aoying
中科院分区：
文献类型：
--
作者：
Xia Fan;Yu Chengcheng;Xu Linhao;Qian Weining;Zhou Aoying
社交媒体服务已经成为监控新兴话题和感知现实事件的主要来源。社交媒体平台管理由大量带有时间戳的用户生成的数据组成的社交数据流，包括原始数据和转发数据。然而，以往针对社交媒体数据的关键词搜索研究主要侧重于信息的新颖性。在本文中，我们首先提出了一个top-k最重要的时态关键字查询问题，以支持更复杂的查询分析。它返回在给定查询时间窗口中包含关键字的前k个最受欢迎的社交项目。然后，我们设计了一个带有两层发布列表的时间倒排索引来索引社会时间序列，并设计了一个分段存储来计算社会项目的确切社会意义。接下来，我们基于提出的索引结构实现了一个基本的查询算法，并对该算法进行了详细的性能分析。根据分析结果，我们使用分段最大近似(PMA)草图进一步改进了我们的查询算法。最后，在一个真实的微博数据集上进行了广泛的实证研究，结果表明，在不同的查询设置下，两层发布列表和PMA草图相结合的方法取得了显著的性能提升。
Social media services have already become main sources for monitoring emerging topics and sensing real-life events. A social media platform manages social stream consisting of a huge volume of timestamped user generated data, including original data and repost data. However, previous research on keyword search over social media data mainly emphasizes on the recency of information. In this paper, we first propose a problem of top-k most significant temporal keyword query to enable more complex query analysis. It returns top-k most popular social items that contain the keywords in the given query time window. Then, we design a temporal inverted index with two-tiers posting list to index social time series and a segment store to compute the exact social significance of social items. Next, we implement a basic query algorithm based on our proposed index structure and give a detailed performance analysis on the query algorithm. From the analysis result, we further refine our query algorithm with a piecewise maximum approximation (PMA) sketch. Finally, extensive empirical studies on a real-life microblog dataset demonstrate the combination of two-tiers posting list and PMA sketch achieves remarkable performance improvement under different query settings.
登录
查看更多内容
对微博流行度进行建模
影响因子：
4.2
作者：
Xia, Fan;He, Xiaofeng;Xu, Jun;Zhou, Aoying
通讯作者：
Zhou, Aoying
影响因子：
1.6
作者：
Arge, L;Vitter, JS
通讯作者：
Vitter, JS
DOI：
10.1109/icde.2013.6544849
发表时间：
2013-04
期刊：
2013 IEEE 29th International Conference on Data Engineering (ICDE)
影响因子：
--
作者：
Lingkun Wu;Wenqing Lin;Xiaokui Xiao;Yabo Xu
通讯作者：
Lingkun Wu;Wenqing Lin;Xiaokui Xiao;Yabo Xu
DOI：
10.1109/cgc.2012.110
发表时间：
2012-11
期刊：
2012 Second International Conference on Cloud and Green Computing
影响因子：
--
作者：
Ming Gao;Cheqing Jin;Weining Qian;Xueqing Gong
通讯作者：
Ming Gao;Cheqing Jin;Weining Qian;Xueqing Gong
DOI：
10.1137/1.9781611972771.59
发表时间：
2006-05
期刊：
ArXiv
影响因子：
--
作者：
D. Lemire
通讯作者：
D. Lemire