Aug, 2020

I-AID：从与灾害相关的推文中识别可行信息

PDF
TL;DR本文提出 I-AID，这是一种多模型方法，可将推文自动分类为多标签信息类型，并从海量的社交媒体数据中过滤关键信息。I-AID 包括三个主要组件：基于 BERT 的编码器、图注意力网络（GAT）和可学习距离度量的关系网络。经过多次实验，结果表明在 TREC-IS 数据集和 COVID-19 推文上，I-AID 在加权平均 F1 得分方面的表现优于现有的最新方法 6％和 4％。
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

  • 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 Transformer 的多任务学习用于灾难推文分类

    本研究采用基于 Transformer 的多任务学习方法，对社交媒体上发布的求助信息进行分类和优先级评估，在 TREC INCIDENT STREAMS 赛道上获得了与其他参赛队伍相当的成绩，其中采用集成方法能够进一步提高准确率，本研究将其代码公开，为未来相关研究提供了基准。

    Oct, 2021

  • 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

  • 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

  • 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

  • EdinburghNLP 在 WNUT-2020 任务 2 中的表现：利用通用数据增强和 Transformer 模型鉴别 COVID-19 推文中的信息量

    本文介绍了我们提交的 WNUT-2020 任务 2 的成果：识别信息量大的 COVID-19 英文推文的半监督学习转换器集成模型，它在测试集上取得了 0.9011 的 F1 值（排名第 7），与使用 FastText 嵌入的基准系统相比表现显著提高。

    Sep, 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

  • 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

  • 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