短危机消息中低监督的紧急度检测与迁移
计算与语言
2019-07-17 v1 机器学习
社会与信息网络
摘要
近年来，由于气候变化及难民危机等社会政治局势的影响，人道主义灾难频发。在自然灾害发生时，可通过半自动地将推文和短消息标记为指示紧急需求，来最佳地调配食物和水等资源。该问题的挑战不仅在于灾难刚发生后数据的稀疏性，还在于发展中国家灾难特征的差异性（使得训练单一系统十分困难）以及社交媒体中的噪声与怪异用法。在本文中，我们提出了一个鲁棒的低监督社交媒体紧急度系统，它通过在集成设置中利用有标签与无标签数据来适应任意危机。该系统还能利用一种简单而有效的迁移学习方法来适应新的危机，即便此时可能尚未获得无标签背景语料库。实验上，我们的迁移学习和低监督方法在众多灾难数据集上以高显著性优于可行的基线。
引用
@article{arxiv.1907.06745,
title = {Low-supervision urgency detection and transfer in short crisis messages},
author = {Mayank Kejriwal and Peilin Zhou},
journal= {arXiv preprint arXiv:1907.06745},
year = {2019}
}
备注
8 pages, short version published in ASONAM 2019