論文の概要: Clustering Filipino Disaster-Related Tweets Using Incremental and
Density-Based Spatiotemporal Algorithm with Support Vector Machines for Needs
Assessment 2
- arxiv url: http://arxiv.org/abs/2108.06853v1
- Date: Mon, 16 Aug 2021 01:38:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 15:26:57.155508
- Title: Clustering Filipino Disaster-Related Tweets Using Incremental and
Density-Based Spatiotemporal Algorithm with Support Vector Machines for Needs
Assessment 2
- Title（参考訳）: ニーズ評価のための支援ベクトルマシンを用いた増分と密度に基づく時空間アルゴリズムを用いたフィリピン災害関連つぶやきのクラスタリング2
- Authors: Ocean M. Barba, Franz Arvin T. Calbay, Angelica Jane S. Francisco,
Angel Luis D. Santos, Charmaine S. Ponay
- Abstract要約: この研究は、フィリピン人がTwitterで災害時に表現したニーズを評価することを目的としている。
データは収集され、災害関連または無関係に分類された。
その結果、インクリメンタルクラスタリングアルゴリズムと密度に基づく時空間クラスタリングアルゴリズムは、それぞれ47.20%と82.28%のスコアでツイートをクラスタリングすることができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social media has played a huge part on how people get informed and
communicate with one another. It has helped people express their needs due to
distress especially during disasters. Because posts made through it are
publicly accessible by default, Twitter is among the most helpful social media
sites in times of disaster. With this, the study aims to assess the needs
expressed during calamities by Filipinos on Twitter. Data were gathered and
classified as either disaster-related or unrelated with the use of Na\"ive
Bayes classifier. After this, the disaster-related tweets were clustered per
disaster type using Incremental Clustering Algorithm, and then sub-clustered
based on the location and time of the tweet using Density-based Spatiotemporal
Clustering Algorithm. Lastly, using Support Vector Machines, the tweets were
classified according to the expressed need, such as shelter, rescue, relief,
cash, prayer, and others. After conducting the study, results showed that the
Incremental Clustering Algorithm and Density-Based Spatiotemporal Clustering
Algorithm were able to cluster the tweets with f-measure scores of 47.20% and
82.28% respectively. Also, the Na\"ive Bayes and Support Vector Machines were
able to classify with an average f-measure score of 97% and an average accuracy
of 77.57% respectively.
- Abstract（参考訳）: ソーシャルメディアは、人々が情報を得てコミュニケーションをとる方法に大きな役割を果たしてきた。
これは特に災害時の苦難によるニーズの表現に役立っている。
投稿はデフォルトで公開されているので、Twitterは災害時に最も有用なソーシャルメディアサイトの一つだ。
この研究は、フィリピン人によるtwitter上での災難中のニーズを評価することを目的としている。
データを収集し、災害関連か、Na\\ive Bayes分類器と無関係に分類した。
その後、災害関連ツイートはインクリメンタルクラスタリングアルゴリズムを使用して災害タイプ毎にクラスタ化され、さらに密度ベースの時空間クラスタリングアルゴリズムを使用してツイートの位置と時間に基づいてサブクラスタ化される。
最後に、Support Vector Machinesを用いて、ツイートは避難所、救助、救済、現金、祈りなど、表現されたニーズに応じて分類された。
その結果,増分クラスタリングアルゴリズムと密度に基づく時空間クラスタリングアルゴリズムは,それぞれ47.20%と82.28%のf-measureスコアでツイートをクラスタ化することができた。
また、Na\"ive Bayes"とSupport Vector Machinesは、それぞれ平均F値スコア97%、平均精度77.57%と分類することができた。
関連論文リスト
- CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster
Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。
私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文 参考訳（メタデータ） (2023-10-23T07:01:09Z) - Sarcasm Detection in a Disaster Context [103.93691731605163]
HurricaneSARCは,意図した皮肉に注釈を付けた15,000ツイートのデータセットである。
私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。
論文 参考訳（メタデータ） (2023-08-16T05:58:12Z) - Using Twitter Data to Determine Hurricane Category: An Experiment [0.19573380763700707]
ソーシャルメディアの投稿には、主要な出来事に関する世論に関する豊富な情報が含まれている。
本稿では,特定地域のTwitterデータと,その地域のハリケーンレベルとの相関について検討する。
また,関連するTwitterデータを用いて,特定分野のハリケーンカテゴリーを予測する手法を提案する。
論文 参考訳（メタデータ） (2023-08-10T22:30:24Z) - RweetMiner: Automatic identification and categorization of help requests
on twitter during disasters [8.288082084424863]
破滅的な出来事は人道的な組織にとって不確実な状況を生み出し、被災者への援助を提供する。
災害の際には、助けを求めたり、他人に救いを求めたりして、ソーシャルメディアに目を向ける人が多い。
既存のシステムは、ツイートの前処理とツイートのコンテキストの把握のための効果的な戦略を計画していない。
論文 参考訳（メタデータ） (2023-03-04T12:21:45Z) - Tweets Under the Rubble: Detection of Messages Calling for Help in
Earthquake Disaster [1.3190581566723918]
本研究では,行方不明者や閉じ込められた者に対する状況認識と,救助・寄進のための災害救助を行うための対話型ツールを提案する。
このシステムは、つぶやきを収集し、(ii)助けを求めるものを分類し、(iii)重要なエンティティタグを抽出し、(iv)インタラクティブな地図画面でそれらを視覚化する。
最初の実験では、F1スコアのパフォーマンスはツイート分類が98.30、エンティティ抽出が84.32であることがわかった。
論文 参考訳（メタデータ） (2023-02-26T20:55:19Z) - Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal
Misinformation [83.2079454464572]
本稿では,DARPAセマンティック・フォレスティクス(SemaFor)プログラムにおける画像テキスト不整合検出へのアプローチについて述べる。
Twitter-COMMsは大規模マルチモーダルデータセットで、884万のツイートが気候変動、新型コロナウイルス、軍用車両のトピックに関連する。
我々は、最先端のCLIPモデルに基づいて、自動生成されたランダムとハードのネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガ
論文 参考訳（メタデータ） (2021-12-16T03:37:20Z) - Weakly-supervised Fine-grained Event Recognition on Social Media Texts
for Disaster Management [27.811526979673484]
人々はますますソーシャルメディアを使って、災害時の情報を報告したり、助けを求めたり、共有したりしている。
我々は、個々のTwitterメッセージにきめ細かいイベントカテゴリをラベル付けした高品質な分類器を構築するための弱教師付きアプローチを提案する。
論文 参考訳（メタデータ） (2020-10-04T21:06:45Z) - Fine-Grained Crowd Counting [59.63412475367119]
現在の群衆カウントアルゴリズムは、画像内の人の数にのみ関係している。
本研究では,各個体の低レベル行動特性に基づいて,群集をカテゴリに分類する,きめ細かい群集カウントを提案する。
論文 参考訳（メタデータ） (2020-07-13T01:31:12Z) - Detecting Perceived Emotions in Hurricane Disasters [62.760131661847986]
私たちはHurricaneEmoを紹介します。HurricaneEmoは、Harvey、Irma、Mariaの3つのハリケーンにまたがる15,000の英語ツイートの感情データセットです。
本稿では, きめ細かい感情を包括的に研究し, 粗い感情群を識別するための分類タスクを提案する。
論文 参考訳（メタデータ） (2020-04-29T16:17:49Z) - CNN-based Density Estimation and Crowd Counting: A Survey [65.06491415951193]
本稿では,主にCNNに基づく密度マップ推定法において,群集数モデルについて包括的に検討する。
評価指標から, 観客数データセットで上位3人のパフォーマーを選択した。
我々は、今後のクラウドカウントの展開について、合理的な推測と予測を行うことを期待する。
論文 参考訳（メタデータ） (2020-03-28T13:17:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。