本论文旨在介绍基于神经网络的分类方法，该方法针对社交媒体上的危机信息进行二元和多元分类。本方法无需进行特征工程，相比现有的最先进的分类方法，其性能更佳，并可在缺乏标记数据的情况下取得良好的分类效果。

Aug, 2016

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

采用 BERT 嵌入并进行微调可以适应新危机，发现新主题，并从受监督训练中保留相关类别，利用双向自注意力提取主题关键词。其在人工和自动评估中胜过传统主题模型。

Mar, 2021

危机事件分析中，社交媒体平台、紧急救援组织和半监督模型的偏差处理方法对于危机推文分类具有重要意义。通过研究和比较不同的偏差处理方法，我们提出了一种简单而有效的 DeCrisisMB 方法，并通过广泛实验证明其在分发情况和超发情况下的优越性能。

Oct, 2023

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

本文旨在利用技术手段协助人道主义灾难时半自动识别推特和简短信息，以有效动员食物和水源等资源。作者提出了一个鲁棒性强的社交媒体紧急情况识别系统，并采用有标注和无标注数据集的集成方法，通过转移学习适应各种新危机。与现有基线模型相比，该系统的低监督和转移学习方法在数个灾难数据集上显著提高了预测准确度。

Jul, 2019

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

研究实时分析信息以快速危机响应，并利用过去灾害的已标记数据进行跨语言域适应，以训练分类器。在同一类型和相似语言的事件中，过去的标记对分类器训练有用，并且穿越语言域适应有助于不同语言（如意大利语和西班牙语），而对于不同语言（如意大利语和英语），性能会降低。

Feb, 2016

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

该论文着眼于解决分类危机信息难以获取数据的挑战，提出了通过域自适应来学习分类模型并应用于多对多危机事件之间的信息过滤，进而证明该方法的有效性。

May, 2023