EMNLPNov, 2022

利用实体掩蔽语言建模和多任务学习提高危机相关推文分类

PDF
TL;DR该研究提出了一种基于实体屏蔽语言建模和层次化多标签分类的多任务学习方法，以解决社交媒体危机管理中的事件相关偏差和高度不均衡标签分布问题，并在 TREC-IS 数据集上表现出高达 10% 的 F1 得分绝对性能提升。同时，实体屏蔽可以减少过度拟合和提高跨事件泛化能力。
social mediacrisis managementhierarchical multi-label classificationentity-maskingtrec-is dataset
发现论文，激发创造
  • CrisisSense-LLM：灾难信息学中用于多标签社交媒体文本分类的指令微调大型语言模型

    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

  • 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

  • 社交媒体辅助危机管理中有监督分类和无监督主题建模之间的桥梁

    采用 BERT 嵌入并进行微调可以适应新危机，发现新主题，并从受监督训练中保留相关类别，利用双向自注意力提取主题关键词。其在人工和自动评估中胜过传统主题模型。

    Mar, 2021

  • 实时灾害事件相关偏差去除

    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

  • 用图神经网络增强的语言模型进行高效的多语言文本分类

    提出了一种基于图神经网络和变压器的跨语言灾难相关文本分类系统，该系统可以在有限的监督下工作，并在多种语言和单语言情境下进行分类。在英语、非英语和单语数据集上测试，该系统的加权 F1 值优于现有的最先进模型和多语言 BERT 基线。

    Mar, 2022

  • 用于危机相关短消息分类的跨语言领域自适应

    研究实时分析信息以快速危机响应，并利用过去灾害的已标记数据进行跨语言域适应，以训练分类器。在同一类型和相似语言的事件中，过去的标记对分类器训练有用，并且穿越语言域适应有助于不同语言（如意大利语和西班牙语），而对于不同语言（如意大利语和英语），性能会降低。

    Feb, 2016

  • 低资源情境下的跨语言和跨领域危机分类

    研究社交媒体数据在危机事件管理中的应用，旨在通过跨语言和跨领域的标记数据来自动识别与危机事件相关的消息，从而改善多语言危机分类的数据稀缺性问题。

    Sep, 2022

  • 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

  • 社交媒体危机事件的多模态分类

    本文介绍一种新的多模态融合方法，使用图形建模和交叉注意力，将图像和文本进行联合处理以提高应急响应能力。通过三个危机相关任务的测试，表明我们的方法明显优于单模态方法和基准的多模态方法。

    Apr, 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