基于命名实体识别和主题建模的社交媒体中自然灾害定位和评估的解决方案
本文报告了在 DisasterMM 任务中,提出了基于 BERT、RoBERTa、Distil BERT 和 ALBERT 的四种不同解决方案用于推特帖子的相关分类, AND 基于 BERT、RoBERTa 和 Distil BERTA 的三种模型用于从文本中提取地理位置信息。我们得到了相应的 F1 分数,这些训练模型对于 DisasterMM 任务中推特的相关分类和地理位置提取得到了良好的性能。
Jan, 2023
该论文主要研究社交媒体在灾难和紧急情况下作为信息来源的潜力和挑战,并提出了一种基于文本分类的框架来处理 Twitter 噪声数据,通过使用多个 transformers 模型最终达到了 F1-score 0.87 的高分数。
Jan, 2023
社交媒体在灾难响应方面起到了帮助作用,但受到噪声的干扰,限制了对韧性城市的准确影响评估和决策制定,本研究提出了首个专业领域的 LLM 模型和整合方法,用于进行快速地震影响评估。
May, 2024
本文探讨通过社交媒体实时数据检测和跟踪灾害事件,基于内容的社区分析和深度学习模型检测虚假新闻的分布式系统使得危害相关事件的报告更快更好地传播。
Jan, 2023
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
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
灾害管理是一个极具潜力的研究领域,因为它对经济、环境和社会产生了重大影响。本研究重点分析与灾害管理相关的各种数据(卫星图像和推特数据),以深入分析按地理位置分组的紧急需求。通过两个阶段的研究,分别是卫星图像分析和推特数据分析,最后利用位置进行整合。利用基于 U-Net 架构的多类土地覆盖分割技术对地点进行灾后卫星图像分析是第一个阶段。第二个阶段侧重于为救援行动提供有关灾情和紧急需求的重要信息的地图绘制。通过使用与该地点相关的关键词,筛选出严重受灾地区,并提取推特数据。通过基于内容词的推特摘要(COWTS)技术从大量原始推特中提取情境信息。将这些模块实时整合,利用基于位置的地图绘制和频率分析技术,在发生灾害的情况下收集多维信息,例如对喀拉拉邦和密西西比州洪水进行了测试和验证。本研究的创新之处在于应用分割的卫星图像进行灾害救援,通过突出土地覆盖变化,并通过地区特定的筛选器整合推特数据,获取灾害的完整概览。
Nov, 2023
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。
Mar, 2015
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