一种用于灾害人道主义信息分类的轻量级大语言模型框架
计算与语言
2026-02-16 v1 人工智能
机器学习
摘要
从社交媒体及时分类人道主义信息对于有效的灾害响应至关重要。然而，在此任务中部署大语言模型（LLM）面临着资源受限应急场景的挑战。本文开发了一种轻量级、成本效益高的灾害推文分类框架，采用参数高效微调。我们通过整合和标准化HumAID数据集（涵盖19个灾害事件的76,484条推文），构建了一个统一的实验语料库，形成双任务基准：人道主义信息分类和事件类型识别。通过对Llama 3.1 8B上的提示策略、LoRA微调和检索增强生成（RAG）进行系统评估，我们证明：（1）LoRA在仅训练约2%参数的情况下，实现了79.62%的人道主义分类准确率（比零样本提升37.79%）；（2）QLoRA以50%的内存成本实现了LoRA性能的99.4%，支持高效部署；（3）与常见假设相反，RAG策略由于检索示例的标签噪声而降低了微调模型的性能。这些发现为在有限计算资源下构建可靠的危机情报系统建立了一个实用、可复现的流程。
引用
@article{arxiv.2602.12284,
title = {A Lightweight LLM Framework for Disaster Humanitarian Information Classification},
author = {Han Jinzhen and Kim Jisung and Yang Jong Soo and Yun Hong Sik},
journal= {arXiv preprint arXiv:2602.12284},
year = {2026}
}