面向公共安全的灾害推文分类中Transformer模型的对比分析
计算与语言
2026-03-16 v2 人工智能
摘要
在灾害和公共安全突发事件期间，Twitter及其他社交媒体平台已成为实时信息的重要来源。自动分类灾害相关推文可帮助应急服务更快速、更有效地响应。传统机器学习(ML)模型如Logistic Regression、Naive Bayes和Support Vector Machines已广泛用于此任务，但它们通常无法理解词语的上下文或深层含义，尤其是在语言非正式、隐喻或模糊时。我们主张，在此背景下，基于Transformer的模型可优于传统ML模型。本文评估了基于Transformer的模型（包括BERT、DistilBERT、RoBERTa和DeBERTa）在分类灾害相关推文中的有效性。将这些模型与传统ML方法进行比较，以突出性能差距。实验结果表明，BERT达到了最高准确率(91%)，显著优于Logistic Regression和Naive Bayes等传统模型（两者均为82%）。上下文嵌入和注意力机制的使用使Transformer模型能够更好地理解推文中的微妙语言，而这正是传统ML模型的不足之处。本研究表明，Transformer架构远比传统模型更适合公共安全应用，提供了更高的准确率、更深的语言理解以及更好的跨真实世界社交媒体文本泛化能力。
引用
@article{arxiv.2509.04650,
title = {Comparative Analysis of Transformer Models in Disaster Tweet Classification for Public Safety},
author = {Sharif Noor Zisad and N. M. Istiak Chowdhury and Ragib Hasan},
journal= {arXiv preprint arXiv:2509.04650},
year = {2026}
}