作为槽填充问题的交通事件检测
计算与语言
2021-09-14 v1
摘要
在本文中，我们引入了从Twitter流中提取细粒度交通信息的新问题，并公开提供了来自比利时和布鲁塞尔首都区的两个（构建的）交通相关数据集。具体地，我们尝试了若干模型来识别（i）一条推文是否与交通相关，以及（ii）若推文与交通相关，识别有关该事件的更细粒度信息（例如事件类型、事件发生地点）。为此，我们将（i）识别推文是否为交通相关事件的问题构建为文本分类子任务，并将（ii）识别更细粒度交通相关信息的问题构建为槽填充子任务，其中细粒度信息（例如事件发生的地点）表示为特定类型的槽/实体。我们提出使用若干方法以分离或联合设置处理这两个子任务，并评估所提方法解决交通事件检测问题的有效性。实验结果表明，即使在迁移学习场景下，所提架构在构建的数据集上对于两个子任务（即文本分类和槽填充）均取得了高性能分数（即F分数超过95%）。此外，通过在构成推文的每个词元中融入推文级信息（对于基于BERT的模型）可提升联合设置下的性能。
引用
@article{arxiv.2109.06035,
title = {Traffic Event Detection as a Slot Filling Problem},
author = {Xiangyu Yang and Giannis Bekoulis and Nikos Deligiannis},
journal= {arXiv preprint arXiv:2109.06035},
year = {2021}
}
备注
Author pre-print version