QuakeBERT：面向社交媒体文本的精准分类以实现快速地震影响评估
计算与语言
2024-06-03 v1 机器学习
社会与信息网络
摘要
社交媒体有助于灾害响应，但存在噪声，阻碍了准确的影响评估和韧性城市的决策，而现有研究对此关注甚少。为解决此问题，本研究提出了首个领域特定的大语言模型（LLM）及一种用于快速地震影响评估的集成方法。首先，引入若干类别，根据微博与地震物理及社会影响的关系对其进行分类和过滤，并构建了一个包含来自不同地点二十次地震的7282条地震相关微博的数据集。然后，通过对多种影响因素的系统分析，开发并微调了领域特定的大语言模型QuakeBERT，用于微博的准确分类与过滤。同时，引入一种集成方法，融合舆情趋势分析、情感分析和基于关键词的物理影响量化，以基于社交媒体文本评估地震的物理和社会影响。实验表明，数据多样性和数据量主导了QuakeBERT的性能，将宏平均F1分数提升了27%，而最佳分类模型QuakeBERT的性能优于基于CNN或RNN的模型，将宏平均F1分数从60.87%提升至84.33%。最后，将所提方法应用于评估两次震级和震源深度相同的地震。结果表明，该方法能通过准确检测噪声微博有效增强影响评估过程，从而实现有效的灾后应急响应，以创建更具韧性的城市。
引用
@article{arxiv.2405.06684,
title = {QuakeBERT: Accurate Classification of Social Media Texts for Rapid Earthquake Impact Assessment},
author = {Jin Han and Zhe Zheng and Xin-Zheng Lu and Ke-Yin Chen and Jia-Rui Lin},
journal= {arXiv preprint arXiv:2405.06684},
year = {2024}
}