EMNLPOct, 2023

DeCrisisMB：通过记忆库进行偏倚半监督危机推文分类的学习

PDF
TL;DR危机事件分析中，社交媒体平台、紧急救援组织和半监督模型的偏差处理方法对于危机推文分类具有重要意义。通过研究和比较不同的偏差处理方法，我们提出了一种简单而有效的 DeCrisisMB 方法，并通过广泛实验证明其在分发情况和超发情况下的优越性能。
crisis event analysissocial media platformsemergency relief organizationssemi-supervised modelsdebiasing methods
发现论文，激发创造
  • 基于图形半监督学习和卷积神经网络的危机相关推文分类

    本文提出使用集成半监督学习方法来利用非标记数据，以更加快速和准确地对自然灾害等关键情况下所发布的社交媒体数据进行分类，从而更有效地提高救援响应效率。

    May, 2018

  • 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

  • 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

  • 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

  • 一个半监督框架用于虚假信息检测

    使用半监督学习框架来解决极度类别不平衡的问题，并使用实际数据扩充少数类别，该方法在处理社交媒体中极不平衡的发布单元时比 SMOTE、ADASYN、GAN 等其他方法效果显著提高，尤其在相关的 Covid 数据上初步测试表明有效性。

    Apr, 2023

  • 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

    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。

    Nov, 2022

  • 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

    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。

    Oct, 2020

  • BMB：用于不平衡半监督学习的平衡记忆库

    提出了一种基于平衡记忆库和自适应权重机制的半监督学习框架，其可以解决长尾数据对于 SSL 任务带来的数据不平衡问题，实验结果表明该框架在多个数据集上优于现有的方法。

    May, 2023

  • 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

  • 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