基于BERT迁移学习模型的地震灾害社交媒体信息分类研究

作     者：林森 刘蓓蓓 李建文 刘旭 秦昆 郭桂祯 

作者机构：应急管理部国家减灾中心 武汉大学遥感信息工程学院 

出 版 物：《武汉大学学报(信息科学版)》 (Geomatics and Information Science of Wuhan University)

年 卷 期：2024年第9期

页      面：1661-1671页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 070801[理学-固体地球物理学] 07[理学] 08[工学] 0708[理学-地球物理学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家重点研发计划(2018YFC1508806) 

主　　题：BERT 预训练模型 迁移学习 社交媒体 地震灾害 灾害应急响应 多标签分类 

摘      要：社交媒体数据具有现势性高、传播快、信息丰富、成本低、数据量大等优点，已经成为分析突发灾害事件的重要信息源，但社交媒体数据也存在质量各异、冗余而又不完整、覆盖不均匀、缺少统一规范、隐私与安全难以控制等缺点。为了利用社交媒体数据为灾害应急响应提供精准化依据，需要能够甄别社交媒体内容并进行有效分类的先进技术。利用基于变换器的双向编码表征进行迁移学习，建立文本分类模型，对地震灾害事件后“黄金72 h内的微博数据进行多标签分类，面向应急需求将标签划分为致灾信息、损失信息、救援救助信息、舆情信息、无用信息5种类型，从而定向挖掘可用于灾情分析的精细化专题信息。所提模型在训练集和测试集上的分类准确率分别达97%和92%，有效提升了微博文本数据的分类精度。评估结果表明，所提模型能够较好地分类社交媒体中地震灾害标签信息，可应用于地震灾害事件的快速灾情研判，这种社交媒体灾情信息获取方法弥补了传统灾害信息获取手段的滞后性。