HTCNN-Attn:一种细粒度的分层多标签深度学习模型,用于从社交媒体中智能提取灾害紧急信息

科学领域:

• 人工智能的人工智能
• 自然语言处理自然语言处理.
• 灾害管理 灾害管理

背景情况:

• 在灾难期间,社交媒体产生了大量的数据,通常包含关键的紧急信息.
• 从杂的社交媒体中提取细粒度,可操作的信息是有效应对灾害的重大挑战.

研究的目的:

• 提出HTCNN-Attn,这是一个新的层次深度学习模型,用于从社交媒体中提取细粒度的紧急信息.
• 通过改进信息检索,提高灾难响应的准确性和效率.

主要方法:

• 开发了一个分层的多标签深度学习模型 (HTCNN-Attn),集成了一个三级标签架构.
• 利用基于变压器的全球特征提取,CNN层用于本地模式,以及层次化的注意力机制.
• 采用分层损失函数,以确保标签在灾难过,类别分类和子类别提取中保持一致.

主要成果:

• 在Appen和HumaID数据集上实现了高性能,准确度为0.9725 ,Micro-F1为0.7402 ,等级一致性为0.821 (HC).
• 在CrisisBench (HC = 0.678) 上展示了强大的跨事件通用化和高效的实时部署,延迟12.0 ms.
• 在2015年尼泊尔地震的案例研究中验证了实用的实用性,帮助紧急响应协调.

结论:

• HTCNN-Attn模型有效地从社交媒体中提取细粒度的紧急信息,优于现有的方法.
• 层次的方法和集成的机制提高了准确性,一致性和概括能力.
• 该模型的效率和实际实用性表明它有潜力显著提高灾难响应协调和有效性.