47、危机信息相关性分类与高效事件流时间推理

危机信息相关性分类与高效事件流时间推理

在当今信息爆炸的时代，处理大量数据并从中提取有价值信息对于许多领域至关重要。特别是在危机信息处理和事件流时间推理方面，如何准确分类危机信息以及高效处理事件流中的时间关系，成为了研究的热点。本文将介绍两种相关的技术方法，一是通过融合语义和统计特征来分类危机信息，二是提出一种新的流推理模型 DOTR 以进行高效的事件流时间推理。

危机信息相关性分类

在危机信息处理中，准确分类危机相关和不相关的帖子对于及时响应危机至关重要。传统的统计特征分类器在处理已知类型的危机事件时表现尚可，但在面对新类型的危机事件时，其性能往往受到限制。

为此，研究人员提出了一种混合方法，将语义特征与统计特征相结合。实验结果表明，这种混合方法在处理新类型危机事件时，分类性能有显著提升。具体来说，在 15 个事件中，SF + SemEF BNDB 模型在 9 个事件上相对于基线有改进，F1 分数平均提高了 +2.64%。而在 5 个未显示改进的事件中，有 2 个事件的百分比损失（ΔF/F）为 -0.34% 和 -0.56%。

在比较语义特征和统计特征时，发现语义特征（特别是来自 DBpedia 的特征）在分类器在训练期间未见过的事件类型上，能够增强分类性能。这表明语义特征在处理新类型危机事件时比统计特征更具鲁棒性。

此外，通过对被错误分类的推文进行分析，还发现了语义特征的一些特点：
- 语义可以对事件特定术语进行泛化，从而适应新的事件类型。例如，将“dbc:flood”和“dbc:natural hazard”进行关联。
- 语义概念有时可能过于宽泛，对文档分类没有帮助。例如，“desire”和“virtue”的上位