用于识别相关推文以支持实时态势感知的交互式学习
社会与信息网络
2019-10-09 v2 计算与语言
人机交互
机器学习
机器学习
摘要
各类领域用户正越来越多地利用实时社交媒体数据来快速获取态势感知。然而，由于海量数据中存在高度噪声，有效确定语义相关信息可能十分困难，且每个终端用户针对不同事件对相关性定义的不断变化进一步加剧了这一难度。现有短文本相关性分类方法大多未能将用户知识纳入分类过程。现有结合交互式用户反馈的方法聚焦于历史数据集。因此，分类器无法针对特定事件或用户依赖需求进行实时交互式重训练。这限制了实时态势感知，因为被错误分类的流数据无法立即纠正，可能导致重要的 incoming 数据也被错误分类。我们提出了一种新颖的交互式学习框架来改进分类过程，其中用户实时迭代纠正推文的相关性，以即时训练分类模型并获得立竿见影的预测改进。我们从计算上评估了适配以交互速率学习的分类模型。我们的结果表明该方法优于最先进的机器学习模型。此外，我们将该框架与扩展的社交媒体分析与报告工具包（SMART）2.0 系统集成，使交互式学习框架可用于专为实时态势感知定制的可视化分析系统中。为证明我们框架的有效性，我们提供了来自使用扩展 SMART 2.0 系统的急救人员的领域专家反馈。
引用
@article{arxiv.1908.02588,
title = {Interactive Learning for Identifying Relevant Tweets to Support Real-time Situational Awareness},
author = {Luke S. Snyder and Yi-Shan Lin and Morteza Karimzadeh and Dan Goldwasser and David S. Ebert},
journal= {arXiv preprint arXiv:1908.02588},
year = {2019}
}
备注
12 pages, 8 figures, 3 tables, IEEE VIS VAST 2019, TVCG