大规模灾难中无监督子事件检测
社会与信息网络
2020-01-01 v1 机器学习
机器学习
摘要
社交媒体在重大自然灾害(如飓风、大规模火灾等)期间及之后发挥着重要作用,因为现场人员会发布关于实际发生情况的有用信息。鉴于帖子数量庞大,一个主要挑战是识别有用且可操作的信息。应急响应人员非常希望查明正在发生哪些事件,以便妥善规划与部署资源。本文致力于自动识别重要子事件(在诸如飓风这类大规模紧急“事件”之内)的问题。具体而言,我们提出一种新颖的无监督学习框架,用于从推文中检测子事件以进行回顾性危机分析。我们首先从原始推文中提取名词-动词对与短语作为子事件候选。随后,我们学习所提取名词-动词对与短语的语义嵌入,并依据危机专用本体对其进行排序。我们滤除噪声与无关信息,继而对名词-动词对与短语进行聚类,使得排名靠前的那些描述最重要的子事件。通过在两个大型危机数据集(飓风 Harvey 与 2015 年尼泊尔地震)上的定量实验,我们证明了本方法相对于现有最优方法的的有效性。我们的定性评估显示其相较基线具有更优性能。
引用
@article{arxiv.1912.13332,
title = {Unsupervised Detection of Sub-events in Large Scale Disasters},
author = {Chidubem Arachie and Manas Gaur and Sam Anzaroot and William Groves and Ke Zhang and Alejandro Jaimes},
journal= {arXiv preprint arXiv:1912.13332},
year = {2020}
}
备注
AAAI-20 Social Impact Track