May, 2024

ADSumm：用于灾难推文摘要的标注真实摘要数据集

PDF
TL;DR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。
online social media platformstweet disaster summarizationsupervised and unsupervised approachesdisaster summary datasetsadsomm
发现论文，激发创造
  • PORTRAIT：一种混合方法创建灾害事件中的提取式地面真实摘要

    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

  • HumAID: 通过深度学习基准从 Twitter 中获取人工注释的灾难事件数据

    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

  • IKDSumm: 将关键短语纳入 BERT 用于灾难推文摘要

    本文提出了一种基于域特定知识和关键短语的 tweet 自动摘要框架 IKDSumm，在 12 个灾害数据集上进行了实验，与 8 种现有技术相比，在 ROUGE-N F1 - 分数方面提高了约 2-79％。

    May, 2023

  • ATSumm: 辅助信息增强的基于稀疏训练数据的抽象灾难推文摘要方法

    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

  • TGSum: 基于推特的多文档摘要数据集构建

    本研究提出了一种采用两种社交标签（即标签和链接）自动收集大规模新闻相关多文档摘要的有效方式，使用 ROUGE 指标和整数线性规划解决方案来生成摘要，收集的数据可用于支持向量回归自动文摘器的训练，提高了其性能。

    Nov, 2015

  • TweetDIS: 利用弱监督构建自然灾害 Twitter 大数据集

    本文介绍了使用弱监督创建标记数据集以训练机器学习模型来识别三种不同类型的自然灾害的方法，其表现优于人工标注的金标准数据集，并公开了数据集以供科研社区使用。

    Jul, 2022

  • 基于指令引导的多查询灾害摘要

    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

  • TWEETSUMM -- 面向客服的对话摘要数据集

    这篇论文介绍了一种自动化客服聊天总结的方法，其中利用了一个大规模的客户支持对话总结数据集和一种针对对话的无监督式提取性总结方法。

    Nov, 2021

  • 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

  • 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