社交媒体中的洪水相关性的视觉和文本内容估计

16210从社交媒体流中的视觉和文本内容估计洪水相关性0Anastasia Moumtzidou，Stelios Andreadis，Ilias Gialampoukidis，Anastasios Karakostas，StefanosVrochidis，Ioannis Kompatsiaris信息技术研究所 - 塞萨洛尼基科学与技术研究中心，希腊{moumtzid，andreadisst，heliasgj，akarakos，stefanos，ikom}@iti.com0摘要0基于社交媒体帖子的灾害监测在计算机科学领域引起了很大的兴趣，主要是由于在公共安全和安全领域的广泛应用以及不仅在日常交流中的普及性，而且在威胁生命的情况下。社交媒体可以用作产生即将发生的灾害的早期警报的有价值的来源。本文提出了一个框架，用于分析社交媒体的多模态内容，以决定内容是否与洪水相关。这非常重要，因为它增强了危机情况的意识，并支持各种危机管理程序，如准备工作。在基准数据集上的评估显示了文本和图像分类模块的非常好的性能。0CCS概念0•  信息系统  →  在线分析处理；数据流挖掘；0关键词0社交媒体，灾害监测，文本分类器，视觉分类器0ACM参考格式：Anastasia Moumtzidou，Stelios Andreadis，IliasGialampoukidis，Anastasios Karakostas，Stefanos Vrochidis，IoannisKompatsiaris。2018年。从社交媒体流中的视觉和文本内容估计洪水相关性。在2018年网络会议伴侣，2018年4月23日至27日，法国里昂。ACM，纽约，美国，7页。https://doi.org/10.1145/3184558.319162001 引言0社交媒体的日益普及导致了大量公开可用的用户生成的多模态内容。社交媒体不仅改变了人们日常生活中的交流方式，而且在危及公共健康的灾害中也发挥着重要的信息来源作用。因此，社交媒体是一种重要的信息来源，可以报告任何重大事件，包括自然灾害[9]。这一事实，加上世界各地发生的各种严重自然灾害，如2010年海地地震、2010年玉树地震、2010年巴基斯坦洪灾、2011年东北地震和海啸以及2015年4月的洪水，使得社交媒体成为一种重要的信息来源。0本文根据知识共享署名4.0国际（CC BY4.0）许可发布。作者保留在其个人和公司网站上传播作品的权利，并附上适当的归属。WWW'18伴侣，2018年4月23日至27日，法国里昂© 2018IW3C2（国际万维网会议委员会），根据创作共用CC BY 4.0许可发布。ACM ISBN978-1-4503-5640-4/18/04。https://doi.org/10.1145/3184558.31916200尼泊尔地震引起了计算机科学领域对基于社交媒体的灾害监测的兴趣。观察到社交媒体平台（如Twitter）是关于现实世界事件的信息的丰富来源，特别是在大规模紧急情况下，从公民的角度来看。这些数据的丰富性使它们成为提取和推断早期警告或识别正在发生的灾害的最有价值的来源之一[5]。社交媒体既可以支持早期警报机制，也可以支持决策支持系统，因为它们提供实时的公民观察，主要是文本和视觉信息，并已成为最重要的沟通渠道之一。在这项工作中，我们提出了一个社交媒体监测工具的框架，该工具在社交媒体中爬取、表示和分析内容，以决定内容是否与自然灾害相关，使用深度卷积神经网络在视觉内容上和随机森林在文本特征上的组合。重点是通过使用Twitter帖子检测洪水事件，主要是因为其实时流媒体的特性，但是鉴于所提出的框架是通用的，它也可以轻松应用于其他事件和社交媒体。该工作的贡献在于使用视觉数据和文本数据来确定内容是否与灾害相关。使用视觉数据还有助于开发一种与语言无关的早期警报机制的框架。02 相关工作0有几个项目和应用利用社交媒体，如Flickr标签[20]，以便提高人们对紧急情况或其他健康相关问题（如环境条件）的意识。首先，在hackAIR项目[12]中，开发了一个平台，用于收集和融合来自官方来源和社交媒体社区（如Instagram共享的公开可用图像）的环境数据，特别是颗粒物测量数据。在[21]中，作者描述了一个框架，用于区分在任何重大事件，特别是自然灾害期间共享的信息性和对话性推文。该框架使用朴素贝叶斯分类器进行推文分类，并提出使用九个基于推文的特征，包括表情符号、URL和指示性关键词。该框架在飓风桑迪期间进行了测试，结果表明，九个特征与词袋模型（BoW）相结合可以达到85%以上的准确率。另一项类似的工作是[14]，旨在在自然灾害期间去除混合了信息性数据和对话性数据。作者使用地理解析过程将自由文本描述转换为地理坐标，以便识别0跟踪：利用社交媒体进行紧急救援和准备工作WWW 2018，2018年4月23日至27日，法国里昂16220相关推文。最终，为了评估自然灾害的严重程度，进行情感分析。此外，在[24]中，作者分析了自然灾害期间生成的推文，并应用突发事件检测来识别意外事件的早期指标，以及用于过滤和总结与灾害相关信息的分类和在线聚类方法。使用的特征是推文的文本本身和其他与推文相关的信息，例如提及和标签计数，与[1]中用于推文信息性估计的方法相同。[10]中的另一项工作是由Win等人提出的，他们通过使用LibLinear分类器实时分类消息，并考虑语言特征、情感词典特征和特别是灾害词典特征。性能在四个公开可用的注释数据集上进行了评估，并显示出优于基于神经词嵌入和标准BoW模型的分类器。此外，富士通实验室开发了考虑专家知识的灾害预防和减灾技术。在[15]中，作者描述了一种增强的估计技术，涉及社交网络服务，以快速确定灾害的位置。与上述方法相反，我们采用了一个两阶段的方法，其中逐步评估相关性。分类器是使用深度卷积神经网络（DCNN）提取的视觉特征和文本特征上的随机森林的组合。接下来，我们简要介绍几种视觉和文本分类的方法。02.1图像分类0图像分类涉及使用基于视觉低级特征和分类器的视觉概念检测算法来判断图像是否显示洪水迹象。关于低级特征提取，最近的趋势似乎超过了以前开发的所有其他方法，即基于DCNN的特征。基于DCNN的特征是使用深度卷积神经网络（DCNNs）从原始图像像素中提取的，它们由多层特征提取器组成，可以作为独立的分类器使用，即将未标记的图像通过预训练的DCNN进行最终的类别标签预测，或者作为图像特征的生成器使用，即预训练的DCNN的隐藏层输出用作全局图像表示[17]，[8]。后一种类型的特征被称为基于DCNN的特征。有多个DCNN软件库可用，例如Caffe[6]，并且已经提出了不同的DCNN架构，例如GoogLeNet[19]。分类涉及使用低级视觉特征构建模型，然后将这些模型应用于图像标记。用于学习图像表示和概念标签之间关联的常见分类器是SVM和逻辑回归（LR）[8]。02.2文本分类0文本分类是监督机器学习中的典型任务，涉及将类别分配给文档，可以是文档、网页等。一般来说，它包括以下步骤：a）文档收集，b）文档预处理，将原始文本数据转换为数据挖掘准备的结构，c）文本表示[23]，对文档进行建模并将其转换为数值向量。最常见的模型是BoW模型，可以使用不同的词项加权模式，如布尔模型、词频（TF）模型和逆文档频率（TF-IDF）模型。更近期的模型版本是word2vec[11]，它由两层神经网络组成，用于重构单词的语言上下文并最终生成单词嵌入，d）将特征向量作为分类器（如SVM、朴素贝叶斯或随机森林（RFs）[3]）的输入，通过调整分类器以达到最佳性能。最近，针对短文本的特征开发了考虑到短文本特征的文本分类技术，这些短文本出现在许多领域，如即时消息和Twitter。这些文本通常更加嘈杂、不太关注主题、更短，并且包含许多非标准术语。处理这种类型的文本的方法包括语义分析、半监督短文本分类、短文本的集成模型[18]和特征选择[2]。此外，一些技术专门针对Twitter进行了优化，因为Twitter的使用非常广泛，例如[16]考虑了表情符号、文本中存在的URL、转发次数和其他特征。然而，鉴于这些方法不关注内容，通常用于将文本分类为更通用的类别，如新闻、事件和观点。03提出的框架0所提出的架构描述了一个社交媒体监控流程，可以有效地实时收集社交媒体（特别是Twitter）上的帖子，并将其分类为与自然灾害事件相关或不相关。分类考虑了文本信息和视觉信息（如果有）。社交媒体监控架构的完整流程如图1所示。所提出的框架涉及对每个推文进行分类，以确定其与指定自然灾害（如洪水）的相关性。在分类过程中考虑了两种模态：文本和视觉。视觉分类是与语言无关的，因为只考虑视觉特征，可以应用于任何检索到的图像，而不考虑推文的语言。因此，如果推文中上传了图像，将提取其视觉特征，并将其输入到分类器中（第3.1节）。如果爬取的推文不包含图像或视觉分类器的结果为负，则使用实际文本来估计相关性，通过使用文本分类器（第3.2节）。接下来，我们将介绍视觉和文本分类模块的概述。03.1社交媒体图像分类框架0在所采用的框架中，我们在5055个ImageNet概念[13]上训练了一个22层的GoogLeNet网络[19]，这些概念是12988个ImageNet概念的子集。然后，将该网络应用于0Track: Exploitation of Social Media for Emergency Relief and Preparedness WWW 2018, April 23-27, 2018, Lyon, France3https://multimediaeval.github.io/2017-Multimedia-Satellite-Task/Track: Exploitation of Social Media for Emergency Relief and Preparedness WWW 2018, April 23-27, 2018, Lyon, France16230图1：社交媒体监控模块架构0使用TRECVID SIN 20131开发数据集和最后一个汇聚层的输出，维度为1024，用于全局图像表示。我们使用注释数据集来训练和验证SVM分类器。可以通过设置不同的t和g值来调整SVM分类器以达到最佳性能。SVM分类器中的参数t定义了核类型，而g代表核函数中的gamma。03.2社交媒体文本分类框架0图像分类得到文本分类的支持，以评估社交媒体帖子的相关性。在所采用的框架中，我们评估了几种传统文本分类方法，以及Jaccard相似性方法。Jaccard相似性方法[7]是一种通过计算查询文档与已知属于特定类别的实例之间的相似性来判断文档是否属于特定类别的度量方法。计算查询文档与属于感兴趣类别的文档集之间的相似性，取最大值与经验定义的阈值进行比较，以决定查询文档是否属于特定类别。类似的度量方法还有曼哈顿距离、余弦相似度和欧氏距离。因此，对于传统的文本分类，我们按照以下步骤进行处理：0（1）从Twitter StreamingAPI收集短信文本。（2）通过应用DB-pediaSpotlight对收集到的文本进行预处理，自动用相应的DBpedia资源进行注释[4]，这些资源也可以用作高级文本特征，或者简单地去除标点符号、非字符、停用词和词干化。（3）使用词频（TF）、TFIDF和word2vec进行文本表示。对于BoW方法，进行了不同特征长度和n-gram值的各种实验，对于word2vec方法，进行了不同语料库和向量维度的实验。（4）将特征向量作为分类器（如SVM、朴素贝叶斯或随机森林（RFs））的输入进行分类，通过调整分类器以达到最佳性能。01 http://www-nlpir.nist.gov/projects/tv2013/tv2013.html 2https://developer.twitter.com0表1：MediaEval 2017数据集统计数据0概念'洪水'的注释 总数 真 实 假0训练集 1280 2240 3520 验证集 640 1120 1760总记录数 1920 3360 52800关于Jaccard相似性方法，在以相同方式收集和预处理数据之后，我们使用0J ( W q , W t n  )  = | W q ∩ W tn  | | W q ∪ W tn  | ，其中  W q表示新文本描述的术语集合，  W t n表示正面注释数据集测试的第n个文本描述的术语集合。然后，将Jaccard相似系数的最大值与经验定义的阈值进行比较，以确定新的文本描述是否被视为正面或否定。接下来，我们将检查所提出框架的性能并调整相关参数。04 评估0本节描述了对文本和图像分类模块进行评估的数据集和实验。提出的框架针对洪水事件进行了评估，但可以扩展到其他任何事件。04.1 数据集描述0用于开发和评估视觉和文本分类模块的数据集是MediaEval2017数据集3。它是在灾害图像从社交媒体中检索（DIRSM）子任务的背景下提供的，其目标是识别所有显示洪水事件直接证据的图像。除了数据集外，还提供了一组预先计算的视觉描述符，并在构建视觉分类器期间进行了评估。表1包含了MediaEval2017数据集的统计信息。04.2 实验0通过使用精确度、召回率和F-score来评估视觉分类部分。这些指标在每次运行中计算，以决定最佳性能的分类方法。04.2.1社交媒体图像分类。为了找到识别包含洪水证据的图像的最佳特征和分类器，我们比较了几种特征，并调整了SVM分类器的参数以最大化其性能。具体而言，我们测试了Multimedia-Satellite挑战提供的特征（即acc、fcth、jcd、cedd、eh、sc、cl和tamura），以及从我们的框架生成的基于DCNN的特征。为每个特征训练了SVM分类器，并测试了不同参数，结果显示，我们提出的DCNN特征几乎优于所有其他特征（见表2）。SVM参数16240已调整的参数包括t，它定义了核函数的类型，可以设置为线性、多项式、径向和sigmoid；以及g，它是核函数中的gamma参数。因此，对于基于DCNN的特征，最佳结果是在t = 1（多项式函数）和g =0.5或g = 0.03125时获得的。图3显示了分类器返回的前18个结果。0表2：视觉特征和分类器的评估结果。0已调整的SVM参数描述符 精确度 召回率 F-score t g0acc 1 0.03125 0.5359 0.1516 0.2363 acc 1 0.5 0.4830 0.13280.2083 cedd 1 0.03125 0.6085 0.5391 0.5717 cedd 1 0.50.5925 0.3953 0.4742 cl 1 0.03125 0.6115 0.3641 0.4564 cl 10.5 0.5957 0.3016 0.4004 eh 1 0.03125 0.6682 0.4688 0.5510eh 1 0.5 0.6605 0.4469 0.5331 fcth 1 0.03125 0.5956 0.46250.5207 fcth 1 0.5 0.5000 0.2578 0.3402 jcd 1 0.03125 0.63880.5250 0.5763 jcd 1 0.5 0.6025 0.3719 0.4599 sc 1 0.031251.0000 0.0016 0.0031 sc 1 0.5 0.2500 0.0016 0.0031 tamura 10.03125 0.5246 0.0500 0.0913 tamura 1 0.5 0.3913 0.01410.0271 dcnn-based 1 0.03125 0.8195 0.8016 0.8104dcnn-based 1 0.5 0.8195 0.8016 0.810404.2.2社交媒体文本分类。接下来，我们评估了传统的文本分类方法。在所有情况下，我们测试了三个分类器，即SVM、朴素贝叶斯和随机森林，针对一组参数进行了测试。具体而言，对于SVM，我们测试了惩罚参数和核类型；对于朴素贝叶斯，我们调整了平滑参数；对于随机森林，我们测试了森林中的树的数量和用于最佳分割的特征数量。对于其余参数，使用默认值。此外，对于使用TF和TF-IDF表示的方法，我们考虑了不同的n-gram值和min_df值进行文本向量化。min_df值影响特征长度的大小，因为在构建词汇表时，它忽略了文档频率严格低于给定阈值的术语。表3包含了TF和TF-IDF表示方法在不同文本输入下每个不同分类器的最佳结果。关于word2vec方法，我们针对一组不同参数进行了多次运行，包括定义特征向量维度的size参数、定义句子中当前单词和预测单词之间的最大距离的window参数，以及定义训练算法（可以是skip-gram或CBOW）的sg参数。具体而言，我们测试了以下参数值：size = {100, 200, 300, 400, 500}，window= {2,3}，sg = {0,1}。0表4包含了word2vec方法的最佳结果。使用的语料库大小分别为mediaEvalFloods_corpus的6600条记录和twitterFloods_corpus的约830,000条记录，后者是通过爬取包含关键词“flood-ing”的推文生成的。经过仔细观察表格，我们得出结论，较大的语料库实现了更好的性能。所有表格中的最佳运行结果以及有关文本表示参数和分类器参数的信息可以在表reftab:bestparams中找到。从表中我们可以得出结论，根据F-score，最佳性能的方法是TF方法，而次佳性能的方法是word2vec，其F-score略低但精确度显著更高。最后，我们使用Jaccard相似系数对文本分类进行了评估。图2显示了不同文本输入和不同e阈值参数的F-score值。经过仔细观察图表，我们得出结论，对于带有DBpedia概念的Jaccard相似度，略微改善了分类性能。此外，显然该方法在e参数非常低（约为0.1左右）时具有良好的结果，并在此值之后显著下降。Jaccard方法的主要缺点是与其他方法相比，在评估新的输入文本时速度较慢，因为必须将该文本与所有正向注释的文本进行比较，以确定其与它们的相关性。然而，由于文本分类方法是社交媒体监测流程的一部分，该流程非常频繁（通常约1秒一次），因此不被视为最佳解决方案。04.2.3社交媒体的视觉和文本分类。在本节中，我们介绍了总体框架的评估，该框架是一种考虑了视觉特征和文本特征的两阶段方法。我们考察了两种简单的组合两种模态的方式，这两种方式是通过布尔运算AND和OR得到的。第一种基于OR布尔运算，是一种顺序模式，其中视觉分类器的结果首先确定相关性，如果结果为负，则还会检查文本分类器的结果，以确定推文的相关性。使用顺序模式的目的是尽量避免运行不必要的过程（即两个分类器），从而消耗更多的时间。第二种基于AND布尔运算，同时评估两种模式，只有两种模式都为正才能将推文视为相关。表6包含了两种组合方法和单一模态的评估结果，以便进行快速比较。我们可以得出结论，基于OR布尔运算的组合模式表现更好，因为F-score比单一模式和同时组合模式更高。经过仔细观察表格，可以明显看出，框架的精确度显著降低，但召回率显著增加。另一方面，同时组合模式的F-score略高于单一模式，但精确度更高，召回率更低，这是预期的，因为两种模式以AND布尔方式组合。然而，灾害监测系统更倾向于更高的召回率，因为识别更多的相关推文更重要。0Track：利用社交媒体进行紧急救援和准备工作WWW 2018年4月23日至27日，法国里昂1216250表3：TF和TF-IDF表示方法的评估。0n-gram 文本输入 分类器 TF TF-IDF 精确度 召回率 F分数 精确度 召回率 F分数0去除停用词的SVM 0.72655 0.85938 0.78740 0.71120 0.82344 0.76322朴素贝叶斯0.78522 0.71406 0.74795 0.763110.65938 0.70746随机森林0.74098 0.89844 0.81241 0.73359 0.89063 0.804520去除停用词和词干提取的SVM 0.73986 0.48438 0.58546 0.69727 0.43906 0.53883朴素贝叶斯0.78776 0.60313 0.683190.77186 0.56563 0.65284随机森林0.76087 0.76563 0.76324 0.76973 0.74688 0.758130DBPedia概念SVM 0.66185 0.35781 0.46450 0.66462 0.33750 0.44767朴素贝叶斯0.72624 0.50156 0.59335 0.697520.48281 0.57064随机森林0.66983 0.66250 0.66614 0.69581 0.59688 0.642560去除停用词的SVM 0.72267 0.84688 0.77986 0.70572 0.80938 0.75400朴素贝叶斯0.77634 0.74844 0.76213 0.760560.67500 0.71523随机森林0.74804 0.89531 0.81508 0.74443 0.88750 0.809690去除停用词和词干提取的SVM 0.74485 0.45156 0.56226 0.69825 0.43750 0.53794朴素贝叶斯0.78044 0.61094 0.685360.77419 0.56250 0.65158随机森林0.76837 0.75156 0.75987 0.76056 0.75938 0.759970DBPedia概念SVM 0.66382 0.36406 0.47023 0.66875 0.33438 0.44583朴素贝叶斯0.72955 0.50156 0.59444 0.700000.48125 0.57037随机森林0.67742 0.65625 0.66667 0.66831 0.63594 0.651720表4：word2vec表示方法的评估。0文本输入 语料库 向量维度 单词窗口 训练算法 精确度 召回率 F分数0去除停用词的mediaEvalFloods_corpus 100 3 1 0.75835 0.74531 0.75177去除停用词的文本twitterFloods_corpus 200 3 0 0.793410.82813 0.81040去除停用词和词干提取的mediaEvalFloods_corpus 100 3 1 0.76167 0.714060.73710去除停用词和词干提取的twitterFloods_corpus 200 3 0 0.77647 0.82500 0.80000 DBPedia概念mediaEvalFloods_corpus 100 2 10.75455 0.77813 0.76615 DBPedia概念twitterFloods_corpus [100-500] [2,3] [0,1] 0.86667 0.02031 0.039690表5：TF，TF-IDF，word2vec文本分类方法的最佳参数。0方法 文本输入参数 分类器和参数 精确度 召回率 F分数0去除停用词的TF n-gram = 2，min_df = 0.003，特征长度 =10680随机森林特征数：自动树的数量：200 0.74804 0.895310.815080去除停用词的TF-IDF n-gram = 2，min_df = 0.003，特征长度 =10680随机森林特征数：自动树的数量：500 0.74443 0.887500.809690去除停用词的word2vec0语料库=twitterFloods_corpus，向量维度=200，单词窗口=3，训练算法=00SVM 惩罚参数：5.0 核类型：rbf 0.79341 0.828130.810400与忽略此类消息以提高精确度相比，更重视需要关注的情况。5 结论0这项工作提出了一个评估社交媒体帖子与目标事件（如洪水）相关性的原始框架。我们的框架为危机管理程序提供了贡献，包括危机前、危机期间和危机后的决策支持系统。0Track：利用社交媒体进行紧急救援和准备工作WWW 2018年4月23日至27日，法国里昂16260表6：单一模态和组合模态的评估结果。0方法 精确度 召回率 F分数0单一模式使用文本数据（word2vec）0.79341 0.82813 0.81040单一模式使用视觉数据0.81949 0.80156 0.81043顺序组合模式（OR）0.73659 0.94375 0.82740同时组合模式（AND）0.91245 0.73281 0.812820图2：Jaccard相似性方法的评估。0图3：基于DCNN的视觉分类器验证结果的可视化。0在危机管理和决策支持系统中，可以在危机期间和危机后评估社交媒体帖子与目标事件（如洪水）的相关性。对MediaEval基准数据集和从Twitter中爬取的帖子进行的实验涉及视觉和文本信息，结果显示在图像分类的情况下，使用基于DCNN的特征和SVM分类器的方法表现最佳，而在文本分类的情况下，TF-IDF方法在文本表示方面表现出色，随机森林作为分类器。作为未来的工作，我们计划融合视觉和文本特征，以及将传统文本分类技术与额外的社交媒体元数据相结合。最后，我们计划在包括火灾和热浪在内的其他事件以及其他语言中评估该框架。0致谢0这项工作得到了欧洲委员会合同H2020-700475beAWARE和H2020-776019 EOPEN的部分支持。0参考文献0[1] Flavia Sofia Acerbo和ClaudioRossi。2017年。在紧急情况下过滤信息性推文：一种机器学习方法。在第一届CoNEXTWorkshop on ICT Tools for Emergency Networks and DisastErRelief（I-TENDER'17）中的论文集。ACM，纽约，美国，1-6。https://doi.org/10.1145/3152896.3152897 [2] Charu C Aggarwal和ChengXiangZhai。2012年。挖掘文本数据。Springer Science＆Business Media。[3] LeoBreiman。2001年。随机森林。机器学习45，1（2001年），5-32。[4] JoachimDaiber，Max Jakob，Chris Hokamp和Pablo NMendes。2013年。提高多语言实体提取的效率和准确性。在第9届国际语义系统会议论文集中。ACM，121-124。[5] Muhammad Imran，Carlos Castillo，FernandoDiaz和SarahVieweg。2015年。在大规模紧急情况下处理社交媒体消息：一项调查。ACM计算调查（CSUR）47，4（2015年），67。[6] Yangqing Jia，Evan Shelhamer，JeffDonahue，Sergey Karayev，Jonathan Long，Ross Girshick，SergioGuadarrama和TrevorDarrell。2014年。咖啡：用于快速特征嵌入的卷积架构。在第22届ACM国际多媒体会议论文集中。ACM，675-678。[7] Vijaymeena M K和KavithaK。2016年。文本挖掘中的相似性度量调查。3（03 2016），19-28。[8] FoteiniMarkatopoulou，Vasileios Mezaris和IoannisPatras。2015年。基于二进制，非二进制和深度卷积网络描述符的级联分类器用于视频概念检测。在2015年IEEE国际图像处理会议上。IEEE，1786-1790。[9] Raina MMerchant，Stacy Elmer和NicoleLurie。2011年。将社交媒体整合到应急准备工作中。新英格兰医学杂志365，4（2011年），289-291。[10] Stuart E Middleton，Lee Middleton和StefanoModafferi。2014年。使用社交媒体进行自然灾害的实时危机映射。IEEE智能系统29，2（2014年），9-17。[11] Tomas Mikolov，Ilya Sutskever，Kai Chen，Greg SCorrado和JeffDean。2013年。单词和短语的分布式表示及其组合性。在神经信息处理系统的进展中。3111-3119。[12] Anastasia Moumtzidou，Symeon Papadopoulos，StefanosVrochidis，Ioannis Kom- patsiaris，Konstantinos Kourtidis，George Hloupis，IliasStavrakas，Konstantina Papachristopoulou和ChristodoulosKeratidis。2016年。使用收集的多模态环境数据估计空气质量。在国际金融集体意识和智能互联网研讨会上。Springer，147-156。[13] Nikiforos Pittaras，FoteiniMarkatopoulou，Vasileios Mezaris和IoannisPatras。2017年。用于深度卷积神经网络的微调和扩展策略的比较。在多媒体建模国际会议上。Springer，102-114。[14] MV Sangameswar，M Nagabhushana Rao和SSatyanarayana。2017年。自然灾害受影响区域的识别算法。大数据杂志4，1（2017年），39。[15] Hitoshi Sato，Kunihiro Takeda，Kazuhiro Matsumoto，HirokazuAnai和YuzuruYamakage。2016年。保护社会免受重大自然灾害的灾害预防/缓解工作。FUJITSU Sci.Tech. J 52，1（2016年），107-113。[16] P Selvaperumal和ASuruliandi。2014年。用于推文分类的短信分类算法。在2014年国际信息技术最新趋势（ICRTIT）会议上。IEEE，1-3。[17] Karen Simonyan和AndrewZisserman。2014年。用于大规模图像识别的非常深的卷积网络。CoRRabs/1409.1556（2014）。arXiv:1409.1556 http://arxiv.org/abs/1409.1556 [18] GeSong，Yunming Ye，Xiaolin Du，Xiaohui Huang和ShifuBie。2014年。短文本分类：一项调查。多媒体杂志9，5（2014年）。[19] ChristianSzegedy，Wei Liu，Yangqing Jia，Pierre Sermanet，Scott Reed，DragomirAnguelov，Dumitru Erhan，Vincent Vanhoucke和AndrewRabinovich。2015年。用卷积更深入。在IEEE计算机视觉和模式识别会议论文集中。1-9。0会议：2018年4月23日至27日，法国里昂，WWW 2018，应急救援和准备中的社交媒体利用[20] Nataliya Tkachenko, Stephen Jarvis, and Rob Procter. 2017. Predicting floodswith Flickr tags. PloS one 12, 2 (2017), e0172870.[21] Brandon Truong, Cornelia Caragea, Anna Squicciarini, and Andrea H Tapia.2014. Identifying valuable information from twitter during natural disasters.Proceedings of the Association for Information Science and Technology 51, 1 (2014),1–4.[22] Si Si Mar Win and Than Nwe Aung. 2017. Target oriented tweets monitoringsystem during natural disasters. In Computer and Information Science (ICIS), 201716270IEEE/ACIS第16届国际会议。IEEE，143-148。[23] JunYan。2009年。文本表示。SpringerUS，波士顿，马萨诸塞州，3069-3072。https://doi.org/10.1007/978-0-387-39940-9_420 [24] Jie Yin，Andrew Lampert，Mark Cameron，Bella Robinson和RobertPower。2012年。利用社交媒体增强应急情况意识。IEEE智能系统27,6（2012），52-59。0会议：2018年4月23日至27日，法国里昂，WWW 2018，应急救援和准备中的社交媒体利用