本文探讨如何从社交媒体平台（如 Twitter）中提取与灾难有关的关键词，以帮助加强对灾害现场情况的认识。作者提出了一种基于嵌入式度量的模型来评估关键词提取的质量，这一模型比 F1 得分更准确。作者改进了嵌入式度量模型，并通过使用上下文词嵌入、POS 标签、音标和音韵学特征来提高模型在 Twitter 通用数据和相关数据上的性能。

Oct, 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

本研究提出了一种利用辅助信息的抽象推文摘要工具，通过使用独特的关键短语注意机制，引入了 Auxiliary Pointer Generator Network（AuxPGN）模型。评估结果表明，ATSumm 相对于现有方法在 ROUGE-N F1-score 指标上实现了 4-80% 的改进。

May, 2024

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

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

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

本研究提出了一种半自动化的方法 (PORTRAIT) 以生成地面真实总结，该方法可以降低人力和时间成本，同时确保所创建的地面真实总结的质量，该方法的有效性经过了五次灾难事件的数量和质量比较，并综合评估了各种最新总结方法在 PORTRAIT 生成的地面真实总结上的表现。

May, 2023

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％。

Aug, 2020

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

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