危机平台：用于人道主义信息处理的危机相关社交媒体数据集基准测试

Apr, 2020

危机平台：用于人道主义信息处理的危机相关社交媒体数据集基准测试

CrisisBench: Benchmarking Crisis-related Social Media Datasets for Humanitarian Information Processing

Firoj Alam, Hassan Sajjad, Muhammad Imran, Ferda Ofli

TL;DR本论文旨在通过整合多个数据集，提高处理社交媒体上危机相关数据的深度学习模型的性能，从而增强人道主义应对能力。研究集中在危机信息学的相关技术和系统，以及二元或多类分类任务的性能指标。

Abstract

Time-critical analysis of social media streams is important for humanitarian organizations for planing rapid response during disasters. The \textit{crisis informatics} research community has developed several techniques and systems for processing and classifying big crisis-related data

crisis informatics social media humanitarian response dataset consolidation deep learning

发现论文，激发创造

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

Twitter 作为生命线：人工标注的 Twitter 语料库用于处理与危机相关的信息的自然语言处理

本研究对 19 种不同危机期间收集的 Twitter 语料库进行了人工标注并训练了机器学习分类器，此外还发布了在 5200 万条危机相关 Tweets 上训练的第一大 word2vec word embeddings，以应对消息的语言问题，提出了不同词汇变体的人工标注规范资源。

May, 2016

CrisisMMD：自然灾害的多模态 Twitter 数据集

通过收集自然灾害期间 Twitter 上的大量多模态数据集，为人道主义组织提供了有用的三种注释类型以解决危机响应和管理任务，特别关注社交媒体上的图像内容在减灾救灾中的作用。

May, 2018

CrisisLTLSum: 本地危机事件时间线提取和总结的基准

本文提出了目前为止最大的本地危机事件时间轴数据集 CrisisLTLSum，它包含了 1000 个危机事件时间轴数据，可用于基准测试时间轴拓展和抽象摘要技术的任务。该数据集是通过采用半自动化集群 - 精化方法从公共推特数据流中收集数据构建的，其初始实验表明，对于这两个任务而言，强基线与人类表现之间存在着显著差距，并且我们还公开了数据集、代码和模型。

Oct, 2022

基于图形半监督学习和卷积神经网络的危机相关推文分类

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

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

利用卷积神经网络快速分类社交媒体上的危机相关数据

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

危机分析：以大数据驱动的危机响应

介绍了大规模危机数据分析的历史、未来及其应用前景，包括帮助有效应对自然灾害等方面的讨论。

Feb, 2016

在 Crowd4SDG 中使用众包分析社交媒体

本研究提出了一种方法，对社交媒体进行灵活的支持，特别是在紧急情况下的社交媒体分析，基于自动化数据处理的工具可用于筛选、分类和地理位置标记内容，同时杂交方法支持人工数据分析师的反馈和建议，从民众中收集输入。通过 Euroopean 项目中的三个案例研究进行结果验证。

Aug, 2022

MEDIC：灾害图像分类的多任务学习数据集

该论文介绍了一个基于社交媒体（文本和图像）的人工智能的实际应用程序来拯救在自然灾害中的人类生命和减轻人类的苦难，在利用文本上取得了显著的进展之后，对于利用图像的研究仍然相对较少。为了推进基于图像的方法，作者提出 MEDIC，这是一个包含 71,198 个图像的最大人道主义反应社交媒体图像分类数据集，为多任务学习设置中的四个不同任务提供答案。

Aug, 2021