Social media networks allow users to post what they are involved in with location information in a real‐time manner. It is therefore possible to collect large amounts of information related to local events from existing social networks. Mining this abundant information can feed users and organizations with situational awareness to make responsive plans for ongoing events. Despite the fact that a number of studies have been conducted to detect local events using social media data, the event content is not efficiently summarized and/or the correlation between abnormal neighboring regions is not investigated. This article presents a spatial‐temporal‐semantic approach to local event detection using geo‐social media data. Geographical regularities are first measured to extract spatio‐temporal outliers, of which the corresponding tweet content is automatically summarized using the topic modeling method. The correlation between outliers is subsequently examined by investigating their spatial adjacency and semantic similarity. A case study on the 2014 Toronto International Film Festival (TIFF) is conducted using Twitter data to evaluate our approach. This reveals that up to 87% of the events detected are correctly identified compared with the official TIFF schedule. This work is beneficial for authorities to keep track of urban dynamics and helps build smart cities by providing new ways of detecting what is happening in them.

中文翻译：

---

一种使用地理社会媒体数据检测局部事件的时空语义方法

社交媒体网络允许用户实时发布他们所参与的位置信息。因此，可以从现有的社交网络收集与本地事件有关的大量信息。挖掘这些丰富的信息可以使用户和组织了解情况，从而为正在进行的事件制定响应计划。尽管已经进行了许多研究来使用社交媒体数据检测本地事件，但事件内容并未得到有效汇总和/或未研究异常相邻区域之间的相关性。本文介绍了一种使用地理社交媒体数据进行时事语义检测的时空语义方法。首先测量地理规律以提取时空异常值，其中的相应推文内容将使用主题建模方法自动汇总。随后，通过调查异常值之间的空间相邻性和语义相似性，来检查异常值之间的相关性。使用Twitter数据对2014年多伦多国际电影节（TIFF）进行了案例研究，以评估我们的方法。这表明与官方TIFF时间表相比，最多可以正确识别出检测到的事件的87％。这项工作有益于当局跟踪城市动态，并通过提供检测城市中正在发生的事情的新方法来帮助建设智能城市。使用Twitter数据对2014年多伦多国际电影节（TIFF）进行了案例研究，以评估我们的方法。这表明与官方TIFF时间表相比，最多可以正确识别出检测到的事件的87％。这项工作有益于当局跟踪城市动态，并通过提供检测城市中正在发生的事情的新方法来帮助建设智能城市。使用Twitter数据对2014年多伦多国际电影节（TIFF）进行了案例研究，以评估我们的方法。这表明与官方TIFF时间表相比，最多可以正确识别出检测到的事件的87％。这项工作有益于当局跟踪城市动态，并通过提供检测城市中正在发生的事情的新方法来帮助建设智能城市。