用于从社交媒体危机相关消息中发掘可操作信息的多任务迁移学习
计算与语言
2021-03-01 v1
摘要
事件流（IS）赛道是一项研究挑战，旨在危机期间从社交媒体中发掘供应急响应使用的重要信息。更具体地，给定危机相关推文流，IS 挑战要求参与系统：1）分类每条推文中表达的用户关注或需求类型，即信息类型（IT）分类任务；2）评估每条推文对应应急响应的关键程度，即优先级预测任务。本文描述我们针对该挑战的多任务迁移学习方法。我们的方法利用最先进的 transformer 模型，包括基于编码器的 BERT 与基于序列到序列的 T5，在两任务上联合迁移学习。基于该方法，我们向赛道提交了若干运行结果。返回的评估结果显示，我们的运行在 IT 分类与优先级预测上均大幅优于其他参与运行。
引用
@article{arxiv.2102.13395,
title = {Multi-task transfer learning for finding actionable information from crisis-related messages on social media},
author = {Congcong Wang and David Lillis},
journal= {arXiv preprint arXiv:2102.13395},
year = {2021}
}
备注
8 pages, TREC 2020