本文将Twitter用户看做是传感器（sensor）。当地震发生时，Twitter用户会大量发布相关的微博，被看做是传感器感应并发送的信息。文章先通过一个分类器，监测到target event，然后通过一个概率时空模型（probabilistic spatiotemporal model）找到事件位置的中心和动态。

   Figure1是Twitter用户的分布图，Figure2是地震分布图。可以看出，日本是两图红点的密集地区。作者（日本人）选择在日本进行试验还是很符合现实情况的。

   将用户看做传感器，一大弊端是，传感器噪声（noisy）很强。一个用户不像传感器那样“尽职尽责”地监测事件，一个用户由于各种原因（不在线、不关心事件）等等并不能在事件发生时，传递出消息。所以，作者使用了信号处理方向经常使用到的算法：Kalman Filter来过滤噪声。

   Twitter用户与传感器的相似之处如下图所示：

   在对Twitter上的target event做监视，主要考虑到类似地震的事件具有如下的特征：

       1、规模很大（They are of large scale）

       2、对用户生活影响很大（They particularly influence people's daily life)

       3、它们具有时空区域特性（They have both spatial and temporal regions）

   文中用到了SVM分类器做分类。采用的特征如下：

       Feature A：（Statistical Features）Twitter消息的单词数目，以及查询词项在消息中的位置。

       Feature B：（Keyword features）the words in a tweet.

       Feature C：（word context features）查询词项前后的单词

【WWW-2010】Earthquake Shakes Twitter Users Realtime Event Detection by Social.pdf