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

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

本文提出了基于神经序列模型的改进方法，不仅在个别帖子层面，而且直接在流媒体层面上进行社交媒体流中的子事件检测，采用递归神经网络模型显式地考虑了帖子的时间顺序，提高了 2.4% 的 bin-level F1 值。

Mar, 2019

本文提出使用集成半监督学习方法来利用非标记数据，以更加快速和准确地对自然灾害等关键情况下所发布的社交媒体数据进行分类，从而更有效地提高救援响应效率。

May, 2018

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

本研究利用对抗性神经模型，对社交媒体上涉及危机事件中的具有实际行动意义的信息进行筛选，以达到在面对新兴危机事件时提高分类器的泛化性能及性能表现的目的。

Nov, 2020

本文介绍了使用弱监督创建标记数据集以训练机器学习模型来识别三种不同类型的自然灾害的方法，其表现优于人工标注的金标准数据集，并公开了数据集以供科研社区使用。

Jul, 2022

本研究致力于提出一个名为 Incidents Dataset 的大规模图像数据集，以识别社交媒体平台上有关自然灾害的图片，并使用基线分类模型进行分类。

Aug, 2020

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

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