紧急情况下从推文中识别位置引用：一种深度学习方法
机器学习
2019-01-25 v1 计算与语言
机器学习
摘要
近来，Twitter 在危机期间被用于与官员沟通并实时提供救援与救济行动。事件以及用户的地理位置信息在此类场景中至关重要。由于用户位置、推文地名等位置信息字段不可靠，地理定位的识别是一项具有挑战性的任务。从推文文本中提取位置信息十分困难，因为它包含大量非标准英语、语法错误、拼写错误、非标准缩写等。本研究旨在使用基于卷积神经网络（CNN）的模型提取推文中使用的位置词。对于与地震相关的推文，我们取得了 0.929 的精确匹配分数、0.002 的汉明损失以及 0.96 的 分数。我们的模型甚至能提取三到四个词长的位置引用，这也由超过 92% 的精确匹配分数所证实。本文的发现可有助于早期事件定位、紧急情况、实时道路交通管理、本地化广告以及各种基于位置的服务。
引用
@article{arxiv.1901.08241,
title = {Location reference identification from tweets during emergencies: A deep learning approach},
author = {Abhinav Kumar and Jyoti Prakash Singh},
journal= {arXiv preprint arXiv:1901.08241},
year = {2019}
}