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

AAAIOct, 2020

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

Weakly-supervised Fine-grained Event Recognition on Social Media Texts for Disaster Management

Wenlin Yao, Cheng Zhang, Shiva Saravanan, Ruihong Huang, Ali Mostafavi

TL;DR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。

Abstract

People increasingly use social media to report emergencies, seek help or share information during disasters, which makes social networks an important tool for disaster management. To meet these time-critical need

social media disaster management twitter weakly supervised approach event recognition

发现论文，激发创造

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

危机匹配：用于细粒度灾害推文分类的半监督少样本学习

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

TweetDIS: 利用弱监督构建自然灾害 Twitter 大数据集

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

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

短期危机信息中的低监督紧急情况检测和转移

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

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。