在紧急情况下识别Twitter用户位置的深度学习方法

印度国家技术研究所的研究人员最近设计了一种工具，用于识别紧急情况和灾害的地理位置，以及相关人员的地理位置。他们的方法在国际减灾风险杂志的一篇论文中概述，使用基于卷积神经网络(CNN)的模型从推文中提取位置信息。

“在紧急情况下，事件的地理位置信息以及受影响的用户的地理位置信息非常重要，”开展这项研究的研究人员之一Jyoti Prakash Singh告诉TechXplore。“识别这个地理位置是一项具有挑战性的任务，因为可用的位置字段，例如用户位置和推文的地名不可靠。用户的精确GPS位置在推文中很少见，有时在时空信息方面也不正确。”

受自然灾害或其他紧急情况影响的人经常在社交媒体上分享他们的位置，寻求帮助。这些信息可以帮助响应单位和地方当局及早发现事件，找到受害者并协助他们。但是，从推文中提取与位置相关的数据是一项非常具有挑战性的任务，因为这些数据通常是用非标准英语编写的，包含语法错误，拼写错误或缩写。

“人工操作员跟踪推文几乎不可能通过每条推文查找其中提到的位置信息，”辛格说。“这促使我们开发了一种解决方案，可以从推文中寻求帮助自动提取位置信息。在这项工作中，我们利用深度学习来确定推文是否包含位置名称并突出显示这些词。”

Singh和他的同事Abhivan Kumar开发了一个CNN 模型，可以通过分析他们推文的内容来识别用户的位置。他们选择了这种特定的深度学习方法，因为它可以自动学习输入数据的最佳表示，并使用它来识别位置参考。

“我们使用字嵌入技术在CNN的输入层表示推文，并且推文中存在的位置参考以输出层的形式呈现为零一向量，”Singh解释说。“位置字编码为1，非位置字编码为0.我们使用了2克，3克，4克和5克滤镜的几种组合来从推文中提取特征。对于100个时代的模型，它能够以令人印象深刻的准确度预测推文中提到的位置参考。“

在初步评估中，Singh和Kumar设计的CNN模型能够以非常高的准确度从推文中提取所有与位置相关的单词，即使在推文的文本有噪声时也是如此。研究人员在未经预处理的推文上测试了他们的模型，其中包含语法错误，拼写错误，缩写和其他混淆因素。

“我们工作的主要实际意义在于它可以通过事件检测模型轻松实现流水线化，”Singh说。“事件检测模型可以识别与所述灾难相关的推文，我们的模型可以提取受该灾难影响的受害者的位置。”

将来，研究人员开发的CNN模型可以帮助快速定位紧急事件和需要紧急援助的人。同样的方法也可以应用于内乱，有针对性的广告，观察区域人类行为，实时道路交通管理和其他基于位置的服务。

“在这项工作中，我们只考虑英语推文，但在危机期间，用户也会发布地区语言的推文，”辛格说。“因此，我们正在研究一种解决这种多语言限制的模型，同时还试图开发一种半监督模型来减少数据标记问题。”