本文提出了一种跨语言方法来检索和总结社交媒体帖子中与危机相关的信息，该方法基于多语种变形金刚嵌入，可以创建准确，有结构的摘要，与现有的最先进方法相比，被认为更加专注，有结构并且相关性更强。

Apr, 2022

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。

Apr, 2020

自动总结大规模突发事件在灾难管理中起着关键作用。CrisisFACTS 的第二版旨在基于多流事实查证，重点关注 Twitter、Reddit、Facebook 和 Webnews 等网络信息源的灾难总结。本文描述了我们解决这个具有挑战性任务的方法。我们依照以前的工作，并提出使用检索、重新排序和简单指令遵循总结相结合的方法。两阶段检索管道依赖于 BM25 和 MonoT5，而总结模块基于开源大型语言模型 LLaMA-13b。对于总结，我们采用了一个问题回答 (QA) 驱动的提示方法，并发现证据对于提取与查询相关的事实是有用的。自动评估和人工评估结果表明具有很强的效果，但也凸显了开源和专有系统之间的差距。

Feb, 2024

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

我们引入了临床意义的社交媒体用户时间线总结的新任务，适用于精神健康监测。我们开发了一种新颖的无监督抽象总结方法，生成由高层次信息和用户社交媒体时间线中与时间敏感证据相配套的双层总结。我们的方法的关键方法创新来自基于一种适应表示长文本的分层变分自动编码器（VAE）版本和由 LLM 注释的关键短语引导的时间线总结组件。通过自动评估和临床专家的人工评估，我们评估了我们的新型架构生成的总结，结果显示 TH-VAE 进行的时间线总结逻辑连贯，临床效用丰富，并且在捕捉时间变化方面优于仅使用 LLM 方法。

Jan, 2024

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

在线社交媒体平台，在灾难事件中提供有价值的信息。本研究介绍了 ADSomm，为八个灾难事件添加了关注度，相关性和多样性，通过改进现有的监督性总结方法的性能提高了 8-28％的 ROUGE-N F1 分数。

May, 2024

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

通过对事先训练的大型语言模型（LLM）进行指令微调，将其嵌入灾害特定知识，从而实现对灾害相关推文的多标签分类，提高社交媒体数据在灾难情境感知中的效用。

Jun, 2024

本文介绍了自动新闻时间线摘要（TLS）的评估指标及方法并提出了最新的 TLR 数据集以及一种结合多种方法的简单而有效的策略，取得了比现有技术更好的结果。

May, 2020