CReMa：通过计算机识别和匹配社交媒体上的跨语言请求和提供以进行危机响应

May, 2024

CReMa：通过计算机识别和匹配社交媒体上的跨语言请求和提供以进行危机响应

CReMa: Crisis Response through Computational Identification and Matching of Cross-Lingual Requests and Offers Shared on Social Media

PDF

Rabindra Lamsal, Maria Rodriguez Read, Shanika Karunasekera, Muhammad Imran

TL;DR在应对危机时，社交媒体平台起着至关重要的作用，通过促进沟通和协调资源。本研究提出了一个系统方法 CReMa 来高效地在社交媒体平台上识别和匹配援助请求和提供，利用危机专用模型和跨语言嵌入空间，从而优化识别和匹配任务，并在分类和危机嵌入生成任务中胜过强基线算法。同时，我们还介绍了一个模拟澳大利亚 16 种常用语言的社交媒体求助和援助场景的多语言数据集，并通过全面的跨语言实验证明了我们的方法。此外，我们还分析了一个包含百万级地理标记全球数据集，以了解社交媒体上的求助和援助模式。总的来说，这些研究成果推动了危机信息学领域的发展，并为未来的研究提供了基准。

Abstract

During times of crisis, social media platforms play a vital role in facilitating communication and coordinating resources. Amidst chaos and uncertainty, communities often rely on these platforms to share urgent pleas for help, extend support, and organize relief efforts. However, the s

social media platforms crisis response assistance requests matching tasks cross-lingual experiments

发现论文，激发创造

危机相关社交媒体文本的语义丰富跨语言句子嵌入

通过使用多语言句子编码器，我们提出了一种能够为 50 多种语言中的相关社交媒体文本进行嵌入的模型，以使具有相似含义的文本在相同的向量空间中靠近，无论语言多样性如何。研究结果对句子编码和匹配任务表现出良好的性能，表明这些模型可以作为嵌入多语言危机相关社交媒体文本时的强大基准模型。

Mar, 2024

基于 Transformers 的危机相关社交媒体跨语言查询式摘要生成算法

本文提出了一种跨语言方法来检索和总结社交媒体帖子中与危机相关的信息，该方法基于多语种变形金刚嵌入，可以创建准确，有结构的摘要，与现有的最先进方法相比，被认为更加专注，有结构并且相关性更强。

Apr, 2022

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

LLM 辅助危机管理：创建先进的 LLM 平台以实现有效的应急响应和公共协作

通过使用开放源代码的大型语言模型 LLAMA2，我们介绍了一种新的方法来从社交媒体帖子和直接应急信息中识别和分类紧急情况，旨在利用自然语言处理和机器学习的力量，为公共安全通信员和大规模人群在全国范围内的紧急情况提供帮助，并开发了一种语言模型，使其能够理解用户在 911 呼叫中描述的情况，使 LLAMA2 能够分析内容并向通信员提供相关指示，并在必要时创建工作流程以通知政府机构与呼叫者信息。这种语言模型的另一个好处是在 911 系统不堪重负时能够帮助用户提供简单的指导并向相关部门提供其位置和紧急信息。

Jan, 2024

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

危机转型：面向危机相关社交媒体文本的预训练语言模型和句子编码器

社交媒体平台在危机传播中起着重要作用，但由于其非正式性质，分析危机相关的社交媒体文本具有挑战性。为了解决危机信息学文献中的这些差距，本研究引入了 CrisisTransformers，这是一个预训练语言模型和句子编码器的集合，它们经过广泛的语料库训练，包含了超过 150 亿词元的推文，涉及 30 多个危机事件，包括疾病爆发、自然灾害、冲突和其他重大事件。评估现有模型和 CrisisTransformers 在 18 个危机特定的公共数据集上表现，我们的预训练模型在所有数据集的分类任务中都优于强基线，而我们表现最佳的句子编码器在句子编码任务中将现有技术水平提高了 17.43%。此外，我们研究了模型初始化对收敛性的影响，并评估了领域专用模型在生成语义有意义的句子嵌入中的重要性。所有模型已公开发布，以期成为分析危机相关社交媒体文本任务的强大基准。

Sep, 2023

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

处理社交媒体危机信息分类的数据稀缺问题

该论文着眼于解决分类危机信息难以获取数据的挑战，提出了通过域自适应来学习分类模型并应用于多对多危机事件之间的信息过滤，进而证明该方法的有效性。

May, 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