Oct, 2019

从灾难相关的推文中提取关键词

PDF
TL;DR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。
keyphrase extractionsocial media platformsdisaster-related keyphrasesrecurrent neural networkembedding-based metrics
发现论文，激发创造
  • IKDSumm: 将关键短语纳入 BERT 用于灾难推文摘要

    本文提出了一种基于域特定知识和关键短语的 tweet 自动摘要框架 IKDSumm，在 12 个灾害数据集上进行了实验，与 8 种现有技术相比，在 ROUGE-N F1 - 分数方面提高了约 2-79％。

    May, 2023

  • 灾难相关推文的鉴定：匹配或学习为基础？

    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。

    May, 2017

  • 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

  • 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

  • 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

  • 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

  • 大规模灾害中无监督子事件检测

    本文提出了一种利用语义嵌入和无监督学习的方法，在社交媒体的帖子数据集中对于重大自然灾害的子事件进行识别，并对其进行分析和分类。通过对两组数据集进行实验证明了该方法的有效性和优越性。

    Dec, 2019

  • 使用句法特征改进联合层 RNN 关键词提取

    本研究旨在提高从印尼 Twitter 数据中提取关键词的精确度，使用句法特征等额外信息修改 JRNN 模型的输入层提取多个关键词序列，并使用数据增强方法增加训练示例。在实验证明该方法优于基线方法，精度和 F1 分别达到 0.9597 和 0.7691。

    Sep, 2020

  • 面向话题的社交媒体语言神经关键短语生成

    研究自动理解社交媒体上的用户生成内容，利用基于序列到序列模型的神经关键短语生成框架提取突出信息，并允许生成缺失关键短语。实验表明该模型在三个数据集中表现优异，能学习有意义的主题，从而解释其在社交媒体关键短语生成中的优越性。

    Jun, 2019

  • 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