Социальные медиа являются важным источником данных для восприятия рисков сложных социальных событий. Тем не менее, существующие методы раннего предупреждения в основном опираются на пики популярности, семантические метки, специфичные для задачи, или наблюдаемые структуры распространения, часто игнорируя изменения ритма распространения до кризиса. В данной статье предлагается неконтролируемая онлайн-система раннего предупреждения о кризисах в социальных медиа. Аггрегируя разнородные поведения в единый последовательность интенсивности, она обнаруживает аномально ускоренные фазы распространения относительно исторических базовых значений через причинное сглаживание, извлечение скорости изменений, скользящие квантильные пороги, ограничения постоянства и охлаждающие механизмы. По сравнению с методами, основанными на интенсивности, она фокусируется на «ускоряется ли система к состоянию риска», а не «достигло ли оно высокого уровня популярности»; по сравнению с семантическими и структурными методами она имеет меньшую зависимость от аннотаций, онтологий и полных графов распространения. Строгие эксперименты с причинным воспроизведением на данных кризиса Россия–Украина в Weibo и данных коротких комментариев к фильмам Douban показывают, что система раннего предупреждения улавливает агрегирующие процессы роста до ключевых событий с низким уровнем ложных срабатываний, демонстрируя структурную повторяемость между сценариями. Результаты указывают на то, что обнаружение изменений динамики распространения предлагает легковесный, интерпретируемый и переносимый путь для онлайн-раннего предупреждения в сложных системах.

Социальные медиа;Раннее предупреждение кризисов;Онлайн обнаружение аномалий;Причинная динамика;Социальный радар Допплер