CrisisBERT: a Robust Transformer for Crisis Classification and Contextual Crisis Embedding
Singapore University of Technology and Design（新加坡科技设计大学）；ProQod Singapore（新加坡ProQod公司）
对自然灾害、恐怖袭击和流行病等危机事件进行分类，是一项至关重要的任务，可以及早发出信号，并通知有关各方采取自发行动，以减少总体损失。尽管自然灾害等危机可以由专业机构预测，但某些事件首先由平民发出信号，例如最近的COVID-19大流行病。Twitter等社交媒体平台经常通过每天发布的超过5亿条推文的大量信息交流来披露有关此类危机的第一手信号。先前的工作提出了各种危机嵌入和分类使用传统的机器学习和神经网络模型。然而，这些作品都没有使用最先进的基于注意力的深度神经网络模型（如Transformers和文档级上下文嵌入）来执行危机嵌入和分类。这项工作提出了CrisisBERT，这是一个基于端到端转换器的模型，用于两个危机分类任务，即危机检测和危机识别，它在准确性和f1分数方面显示出有希望的结果。所提出的模型还表现出优于基准的鲁棒性，因为它显示出边际性能妥协，同时从6个扩展到36个事件，只有51.4%的额外数据点。我们还提出了Crisis 2 Vec，一个基于注意力的，文档级的上下文嵌入架构的危机嵌入，实现更好的性能比传统的危机嵌入方法，如Word 2 Vec和GloVe。据我们所知，我们的工作是第一次提出使用transformer为基础的危机分类和文档级的上下文危机嵌入在文献中。
2020-05-18 cs.CL cs.LG cs.SI
Low-supervision urgency detection and transfer in short crisis messages
Information Sciences Institute University of Southern California Marina del Rey, CA
近年来，由于气候变化和难民危机等社会政治局势的影响，人道主义灾难不断增加。在发生自然灾害时，技术可以用来最好地调动食物和水等资源，方法是半自动地将推文和短信标记为紧急需求。这一问题之所以具有挑战性，不仅是因为灾后的数据稀缺，而且还因为发展中国家灾害的特点各不相同（很难只对一个系统进行训练），以及社交媒体上的噪音和怪癖。在本文中，我们提出了一个强大的，低监督的社会媒体紧急系统，适应任意的危机，利用标记和未标记的数据在集成设置。该系统还能够适应新的危机，未标记的背景语料库可能还没有通过利用一个简单而有效的迁移学习方法。实验表明，我们的迁移学习和低监督方法在无数灾害数据集上的表现优于可行的基线。
2019-07-15 cs.CL cs.LG cs.SI
Robust Training of Social Media Image Classification Models for Rapid Disaster Response
Qatar Computing Research Institute, HBKU（哈马德·本·卡利法大学卡塔尔计算研究所）；BJIT Limited（BJIT有限公司）
在社交媒体上分享的图像可以帮助危机管理人员了解情况，评估造成的损失，以及其他应对任务。由于这些内容的数量和速度通常很高，因此实时图像分类已成为加快灾害反应的迫切需要。计算机视觉和深度神经网络的最新进展使得能够开发用于许多任务的实时图像分类模型，包括检测危机事件，过滤不相关的图像，将图像分类为特定的人道主义类别，以及评估损害的严重程度。为了开发强大的实时模型，有必要了解这些任务的公开可用的预训练模型的能力，这在危机信息学文献中仍然有待探索。在这项研究中，我们通过调查四种不同任务的十种不同网络架构来解决这些限制，这些任务使用了最大的公开数据集。我们还探讨了各种数据增强策略，半监督技术和多任务学习设置。在我们广泛的实验中，我们取得了可喜的成果。
2021-07-19 cs.CV cs.CY cs.LG
DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet Classification via Memory Bank
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对危机推文分类中半监督模型的偏差问题，提出基于记忆库的去偏方法 DeCrisisMB，通过等量采样伪标签实现去偏，在分布内和分布外设置下均表现出优越性能。
2023-10-23 cs.CL cs.LG
Migration Reframed? A multilingual analysis on the stance shift in Europe during the Ukrainian crisis
L3S Research Center（L3S研究中心）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）
本文提出新颖的多语言立场检测方法，分析乌克兰危机期间欧洲新闻与社交媒体上的移民讨论，发现讨论存在重新框定现象，且战争爆发前后立场发生明显时间性转变，但国家差异显著。
2023-05-19 cs.CL cs.LG cs.SI
LLM-Assisted Crisis Management: Building Advanced LLM Platforms for Effective Emergency Response and Public Collaboration
University at Albany, SUNY（纽约州立大学奥尔巴尼分校）；College of Emergency Preparedness, Homeland Security, and Cybersecurity（应急准备、国土安全与网络安全学院）
本文提出使用开源LLAMA2识别和分类社交媒体及紧急消息中的危机信息，为911接警员提供处置建议，并在系统过载时指导公众、通知政府机构。
2024-01-12 cs.AI cs.CL cs.HC
CAMO: Causality-Guided Adversarial Multimodal Domain Generalization for Crisis Classification
Arizona State University（亚利桑那州立大学）；DEVCOM Army Research Laboratory（陆军研究实验室）
CAMO通过结合对抗去耦与统一表示学习，解决多模态危机分类中的领域泛化问题，提升模型在未见灾害场景下的性能。
2025-12-08 cs.LG
MultiSiam: A Multiple Input Siamese Network For Social Media Text Classification And Duplicate Text Detection
Pune Institute of Computer Technology（浦那计算机技术学院）
本文提出多输入孪生网络MultiSiam，并基于其构建SMCD模型，以同时完成社交媒体文本的重复分组与分类任务。
2024-01-06 cs.AI cs.CL cs.LG
Few-shot tweet detection in emerging disaster events
German Aerospace Center (DLR)（德国航空航天中心（DLR））
社交媒体来源可以在危机情况下提供关键信息，但发现相关信息并不是小事。到目前为止，方法的重点是所有类型危机或某些危机类型（如洪水）的通用检测模型。特定事件模型可以实现更集中的搜索区域，但为已经发生的危机收集数据和训练新模型的成本很高，而且可能需要太多时间才能迅速做出反应。作为折衷方案，手动收集少量示例消息是可行的。Few-Shot模型可以用少量的例子推广到看不见的类，并且不需要为每个事件重新训练。我们比较了Few-Shot方法（匹配网络和原型网络）如何执行此任务。由于这基本上是一个一类的问题，我们还演示了如何修改的一类版本的原型模型可以用于此应用程序。
2019-10-05 cs.CL cs.CY cs.LG
A Deep Learning Approach for Tweet Classification and Rescue Scheduling for Effective Disaster Management
Missouri University of Science and Technology（密苏里科技大学）
及时获取受灾地区不同区域的信息是一项具有挑战性和复杂性的任务。社交媒体和网络的广泛传播和覆盖范围使人们能够实时分享信息。然而，社交媒体数据的处理和有价值信息的收集需要一系列操作，例如（1）处理每个特定的推文以进行文本分类，（2）基于推文确定需要帮助的人的可能位置，以及（3）基于推文分类计算救援任务的优先级。这是使用社交媒体数据开发有效救援调度操作的三个主要挑战。在本文中，首先，我们提出了一种结合基于注意力的双向长短期记忆（BLSTM）和卷积神经网络（CNN）的深度学习模型，以将推文分类到不同类别下。我们使用预训练的危机词向量和全局词向量表示（GLoVe）来从推文中捕获语义含义。接下来，我们执行特征工程来创建辅助特征图，这大大提高了模型的准确性。在我们使用来自飓风哈维和厄玛的真实数据集的实验中，观察到我们提出的方法与基于精度，召回率，F1分数和准确性的其他分类方法相比表现更好，并且非常有效地确定推文的正确优先级。此外，为了评估所提出的分类模型的有效性和鲁棒性，使用了由CrisisNLP的4个不同数据集和CrisisLex的另外15个不同灾害数据组成的合并数据集。最后，我们开发了一个自适应的多任务混合调度算法，考虑资源约束，执行一个有效的救援调度操作，考虑不同的救援优先级。
2019-08-05 cs.LG cs.SI stat.ML
Domain-Guided Task Decomposition with Self-Training for Detecting Personal Events in Social Media
Emory University（埃默里大学）
挖掘社交媒体内容用于诸如检测个人经历或事件的任务，遭受词汇稀疏、不足的训练数据和创造性词汇。为了减少创建大量标记数据的负担并提高分类性能，我们建议分两步执行这些任务：1.通过识别关键概念将任务分解为特定领域的子任务，从而利用人类领域理解;以及2.使用协同训练将学习器对每个关键概念的结果进行组合，以减少对标记训练数据的要求。我们经验表明，我们的方法，共分解，使用三个有代表性的社会媒体挖掘任务，即个人健康提及检测，危机报告检测和药品不良反应监测的有效性和通用性。实验表明，我们的模型是能够超越国家的最先进的文本分类模型-包括那些使用最近推出的BERT模型-当少量的训练数据。
2020-04-21 cs.CL cs.LG cs.SI
Contextual Attention-Based Multimodal Fusion of LLM and CNN for Sentiment Analysis
本文提出一种融合CNN图像分析与LLM文本处理的上下文注意力多模态情感分析方法，用于自然灾害场景下的社交媒体分类，在CrisisMMD数据集上准确率提升2.43%、F1提升5.18%。
2025-08-15 cs.AI cs.IR cs.LG
Nipping in the Bud: Detection, Diffusion and Mitigation of Hate Speech on Social Media
IIIT Delhi（印度德里信息技术学院）
由于社交媒体的使用激增，仇恨言论已成为一个重大危机。仇恨内容可以迅速传播，并创造一个痛苦和敌意的环境。此外，什么可以被认为是可恨的是上下文和随时间而变化。虽然在线仇恨言论降低了已经被边缘化的群体自由参与讨论的能力，但离线仇恨言论导致针对个人和社区的仇恨犯罪和暴力。仇恨言论的多面性及其对现实世界的影响已经引起了数据采掘和机器学习社区的兴趣。尽管我们尽了最大的努力，仇恨言论仍然是研究人员和从业人员都回避的问题。本文提出了阻碍构建自动化仇恨缓解系统的方法学挑战。这些挑战激发了我们在打击网络仇恨内容这一更广泛领域的工作。我们讨论了一系列我们提出的解决方案，以限制仇恨言论在社交媒体上的传播。
2022-01-04 cs.LG cs.SI
Discovering Opioid Use Patterns from Social Media for Relapse Prevention
Texas Tech University（德克萨斯理工大学）
美国目前正在经历前所未有的阿片类药物危机，阿片类药物过量已成为伤害和死亡的主要原因。有效的阿片类药物成瘾康复不仅需要药物治疗，还需要对受影响的个体进行行为干预。在本文中，我们研究了社交媒体中阿片类药物使用障碍（OUD）患者的沟通和行为模式，旨在展示来自常见活动（如在线社交网络）的现有信息如何可能导致更好的预测，评估和最终预防复发。通过多学科和先进的新颖分析视角，我们通过分析Reddit.com的阿片类药物组来描述阿片类药物成瘾行为模式-包括建模在线讨论主题，分析文本共现和相关性，以及识别OUD患者的情绪状态。这些定量分析具有实际重要性，并展示了利用在线社交媒体信息的创新方法，以创造有助于预防复发的技术。
2019-12-02 cs.HC cs.LG cs.SI
Social Media Unrest Prediction during the {COVID}-19 Pandemic: Neural Implicit Motive Pattern Recognition as Psychometric Signs of Severe Crises
Universität Hamburg（汉堡大学）；Nordakademie（北德应用科学大学）
COVID-19疫情引发国际社会紧张及动荡。除了危机本身，越来越多的迹象表明，世界各地社会的冲突可能性正在上升。全球情绪变化的指标很难检测，直接问卷也存在社会期望偏差。然而，所谓的隐式方法可以从例如社交媒体文本中揭示人类的内在欲望。我们提出了经过心理验证的社会动荡预测因子，并复制了可扩展和自动化的预测，在最近的德国共享任务数据集上建立了一个新的艺术状态。我们使用这个模型，通过比较2019年春季和2020年春季推文样本的既定心理预测因素，研究了COVID-19大流行期间语言对社会动荡的变化。结果表明，冲突指示心理测量学显着增加。通过这项工作，我们证明了基于NLP的自动化方法对定量心理学研究的适用性。
2020-12-08 cs.LG stat.ML
Unsupervised Detection of Sub-events in Large Scale Disasters
Dataminr Inc.（Dataminr公司）；Virginia Tech（弗吉尼亚理工大学）；University of South Carolina（南卡罗来纳大学）
社交媒体在重大自然灾害期间和之后发挥着重要作用（例如，飓风、大规模火灾等），因为人们“在实地”张贴关于实际发生的事情的有用信息。鉴于大量的职位，一个主要的挑战是确定有用和可采取行动的信息。应急响应人员主要关心的是了解正在发生的事件，以便他们能够正确地计划和部署资源。在本文中，我们解决的问题，自动识别重要的子事件（在一个大规模的紧急“事件”，如飓风）。特别是，我们提出了一种新的，无监督学习框架来检测子事件的推文回顾性危机分析。我们首先从原始推文中提取名词-动词对和短语作为子事件候选者。然后，我们学习提取的名词-动词对和短语的语义嵌入，并将其与特定于危机的本体进行排名。我们过滤掉噪音和不相关的信息，然后聚类的名动词对和短语，使排名靠前的描述最重要的子事件。通过对两个大型危机数据集（哈维飓风和2015年尼泊尔地震）的定量实验，我们证明了我们的方法在最先进的水平上的有效性。我们的定性评估显示，与我们的基线相比，我们的性能更好。
2019-12-13 cs.LG cs.SI stat.ML
