[论文解读] Summarizing Situational and Topical Information During Crises

Koustav Rudra, Siddhartha Banerjee+4 more|arXiv (Cornell University)|Oct 5, 2016

Public Relations and Crisis Communication参考文献 18被引用 12

一句话总结

本文提出了一种两阶段框架，用于生成与危机相关的推文的生成式摘要，结合基于ILP的推文筛选与词图及概念-事件聚类，以生成简洁、信息丰富的摘要，提升情境意识并聚焦特定主题的子问题。该方法在主题短语识别中达到95%的精确率，显著优于基线方法，并在灾难响应应用的用户评估中展现出更优的实用性。

ABSTRACT

The use of microblogging platforms such as Twitter during crises has become widespread. More importantly, information disseminated by affected people contains useful information like reports of missing and found people, requests for urgent needs etc. For rapid crisis response, humanitarian organizations look for situational awareness information to understand and assess the severity of the crisis. In this paper, we present a novel framework (i) to generate abstractive summaries useful for situational awareness, and (ii) to capture sub-topics and present a short informative summary for each of these topics. A summary is generated using a two stage framework that first extracts a set of important tweets from the whole set of information through an Integer-linear programming (ILP) based optimization technique and then follows a word graph and concept event based abstractive summarization technique to produce the final summary. High accuracies obtained for all the tasks show the effectiveness of the proposed framework.

研究动机与目标

• 为解决在灾难期间从高容量、非正式的危机相关推文中提取可操作的情境意识信息的挑战。
• 生成比抽取式方法更具信息覆盖性和可读性的简洁生成式摘要。
• 识别并总结危机类别中的子主题（例如，基础设施损坏、失踪人员）以支持针对性的响应规划。
• 通过众包评估，在真实灾难场景中评估主题检测与摘要的实用性与准确性。
• 为人道主义组织提供可扩展、实时的系统，以快速评估危机严重程度与资源需求。

提出的方法

• 两阶段摘要流水线：首先，基于ILP的优化技术从危机数据集中筛选最具信息量的推文。
• 其次，采用词图与概念-事件聚类方法对语义相似的内容进行分组，以支持生成式摘要。
• 提取并聚类内容词（名词、动词、数字、地点），利用语义相似性提升覆盖度并减少冗余。
• 通过将关键内容词与事件匹配来识别主题短语，采用基于窗口的相似度评分方法（公式5）。
• 对匹配每个主题短语的推文应用抽取式摘要，生成每个子主题的简短、信息丰富的摘要。
• 该框架通过专家评估与众包用户研究进行评估，与基于LDA的基线方法进行性能对比。

实验结果

研究问题

• RQ1 如何改进危机推文的生成式摘要，以在非正式、实时的语言中提升信息覆盖度与可读性？
• RQ2 基于ILP的推文筛选方法在识别对情境意识最具相关性的信息方面效果如何？
• RQ3 从词图中进行的概念与事件聚类能否提升危机摘要的质量与连贯性？
• RQ4 所提出的主题检测方法与基线方法相比，在灾难响应中的精确率与相关性表现如何？
• RQ5 用户在多大程度上认为所提出的主题摘要比基于LDA的方法更具实用性且冗余更少？

主要发现

• 所提框架在主题短语识别中达到95%的精确率，显著优于基线方法的72%精确率。
• 在用户研究中，该方法在9项评估中的6项里，主题相关性与关键词实用性评分均高于基于LDA的基线方法。
• 在众包评估中，该方法在情境意识、冗余减少与语义意义方面表现更优。
• 生成式摘要技术有效结合内容词与语义聚类，生成的摘要比仅使用抽取式方法更紧凑、信息更丰富。
• 该框架生成的特定主题摘要被证实对利益相关者极具实用性，例如在灾难期间辅助航班规划或物资协调。
• 系统的两阶段设计在覆盖度、连贯性与危机响应场景的实时适用性之间实现了有效平衡。