9、基于危机相关推文的不同分类器比较分析

基于危机相关推文的不同分类器比较分析

1. 引言

Twitter 作为热门的微博平台，允许用户通过社交网络渠道发布短消息（推文）。近年来，它已成为重要的通信媒介，不仅用于发布公告，还广泛传播各类信息。用户借助 Twitter 实时了解新闻，在大规模紧急情况时，它更是信息交流的有效工具。

在危机事件发生时，Twitter 上会涌现大量推文，因此需要在短时间内过滤这些推文，提取有价值的信息，而首要任务是识别与危机相关的推文。本文着重探讨不同分类算法，以更准确地完成这项工作。

以下是本文的主要贡献：
1. 探索传统自然语言处理（NLP）技术和词嵌入方法，使数据集适应不同的机器学习算法。
2. 运用机器学习算法对推文是否与危机相关进行分类。
3. 探索神经网络架构的超参数调整，以确定其在推文分类中的适用性。
4. 对不同分类器进行比较分析，测试它们在危机相关推文分类中的有效性。

2. 相关工作

• 推文分类 ：研究人员对文本分类算法进行了详细研究，并将传统文本分类算法应用于社交媒体文本分类。例如，Brynielsson 等人描述了一种收集大量相关推文并标注情感标签的方法，用于创建训练数据集。还有许多人利用社交媒体上的短文本数据进行各种任务，如事件跟踪、推荐和有影响力用户预测。
• Twitter 在应急管理中的应用 ：Gelernter 和 Mushegian 讨论了 Twitter 在紧急情况下的应用，指出当新闻网站无法正常工作时，Twitter 可成为重要的信息和交流来源。Olteanu 等人对不