A comparison of word embedding-based extraction feature techniques and deep learning models of natural disaster messages classification

The research aims to compare the classification performance of natural disaster messages classification from Twitter. The research experiment covers the analysis of three-word embedding-based extraction feature techniques and five different models of deep learning. The word embedding techniques that are used in this experiment are Word2Vec, fastText, and Glove. The experiment uses five deep learning models, namely three models of different dimensions of Convolutional Neural Network (1D CNN, 2D CNN, 3D CNN), Long Short-Term Memory Network (LSTM), and Bidirectional Encoder Representations for Transformer (BERT). The models are tested on four natural disaster messages datasets: earthquakes, floods, forest fires, and hurricanes. Those models are tested for classification performance.

---

Badanie ma na celu porównanie skuteczności klasyfikacji wiadomości o klęskach żywiołowych z Twittera. Eksperyment badawczy obejmuje analizę technik ekstrakcji cech opartych na osadzeniu trzech słów oraz pięciu różnych modeli głębokiego uczenia. Techniki osadzania słów używane w tym eksperymencie to Word2Vec, fastText i Glove. Eksperyment wykorzystuje pięć modeli głębokiego uczenia, a mianowicie trzy modele o różnych wymiarach konwolucyjnej sieci neuronowej (1D CNN, 2D CNN, 3D CNN), oraz dwie sieci: Long Short-Term Memory Network (LSTM) oraz Bidirectional Encoder Representations for Transformer (BERT). Modele zostały prztestowane na czterech zestawach danych dotyczących klęsk żywiołowych, a mianowicie trzęsień ziemi, powodzi, pożarów lasów i huraganów. Modele te przetestowano pod kątem wydajności klasyfikacji.

---

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).