May, 2017

灾难相关推文的鉴定：匹配或学习为基础？

PDF
TL;DR本文研究了在灾难中使用社交媒体如 Twitter 等传播信息以提高灾难控制。当前流行的通过学习的方法无法很好地识别与灾难相关的推文，因此我们提出了一种基于匹配关键词和标签的简单而有效的算法。结果表明，我们的方法提供了更高质量和更可解释的情绪分析任务相关的推文，是一种可行的方法。
social mediadisasterstweetsmatching-based approachlearning-based approach
发现论文，激发创造
  • 基于 Twitter 的市民渠道在自然灾害情况下的相关信息识别

    本文介绍了如何构建一个基于在线社交网络的分类器来筛选有关地震的推文，以减少公众在自然灾害时获取相关信息的难度。通过使用 2010 年智利地震的数据集，作者们研究了类不平衡和维度降低等变量对 5 种分类器的影响，为构建类似系统提供了重要的参考和建议。

    Mar, 2015

  • 基于 BERT 语言模型的灾难推文分类

    利用机器学习语言模型对社交网站的帖子进行监测，以便能够及时地确定是否有人或地区处于危险之中，从而更好地进行应急处置。

    Jan, 2022

  • 应用在线深度学习处理社交媒体信息的危机响应

    本文提出使用深度神经网络，通过随机梯度下降算法在线训练，处理 Twitter 中的人道主义信息反应，包括鉴别信息推文和分类主题。

    Oct, 2016

  • 基于命名实体识别和主题建模的社交媒体中自然灾害定位和评估的解决方案

    在这篇论文中，我们提出了一个三步解决方案，旨在充分利用社交媒体内容和自然语言处理技术，实现灾害信息学中的相关分类、地点提取和主题建模，以应对社交媒体内容中的挑战。

    May, 2024

  • 从灾难相关的推文中提取关键词

    本文探讨如何从社交媒体平台（如 Twitter）中提取与灾难有关的关键词，以帮助加强对灾害现场情况的认识。作者提出了一种基于嵌入式度量的模型来评估关键词提取的质量，这一模型比 F1 得分更准确。作者改进了嵌入式度量模型，并通过使用上下文词嵌入、POS 标签、音标和音韵学特征来提高模型在 Twitter 通用数据和相关数据上的性能。

    Oct, 2019

  • 社交媒体文本上基于弱监督的细粒度事件识别在灾害管理中的应用

    本文通过弱监督学习建立高质量的社交媒体紧急信息分类器，使用 Twitter 上的微博信息以及事件关键词帮助快速生成高质量的标签化数据，利用前续信息和回复信息来丰富微博表示方法以处理嘈杂短小的用户生成信息，且仅需 1-2 人时的人工监督即可在两次飓风期间实现优于需要 50 人时手动标注的管理分类器。

    Oct, 2020

  • 支持实时态势感知的交互式学习识别相关推文

    提出了一种新颖的交互式学习框架来提高对实时推文的分类过程，该框架允许用户在实时学习的基础上迭代地纠正推文的相关性以训练分类模型，实验结果表明该方法优于现有的机器学习模型，结合 SMART 系统，可用于实时情境感知并满足不同用户依赖需求。

    Aug, 2019

  • 基于多个变压器的洪水相关推特帖子相关性分类

    该论文主要研究社交媒体在灾难和紧急情况下作为信息来源的潜力和挑战，并提出了一种基于文本分类的框架来处理 Twitter 噪声数据，通过使用多个 transformers 模型最终达到了 F1-score 0.87 的高分数。

    Jan, 2023

  • 危机匹配：用于细粒度灾害推文分类的半监督少样本学习

    社交媒体平台上关于自然灾害的实时信息在通知志愿者、应急管理人员和救援组织方面起到关键作用。然而，监测灾害事件的监督学习模型需要大量标注数据，使得其在实时灾害事件中难以实现。为了应对这一挑战，我们提出了一种在半监督少样本学习条件下的细粒度灾害推文分类模型，仅需小量标注数据。我们的模型 CrisisMatch 利用少量标注数据和大量无标注数据有效地将推文分类为感兴趣的细粒度类别，模拟灾害的早期阶段。通过集成有效的半监督学习方法和引入 TextMixUp，CrisisMatch 在两个灾害数据集上平均提升了 11.2％ 的性能。此外，我们还对标注数据数量和领域外结果的影响进行了进一步分析。

    Oct, 2023

  • HumAID: 通过深度学习基准从 Twitter 中获取人工注释的灾难事件数据

    本文提出一种基于深度学习模型和人类标注的新型大规模社交媒体数据集，用于自然灾害期间信息分类和简洁归纳， 以改善现有数据集的局限性，提高分类准确度。

    Apr, 2021