Δυναμική κατηγοριοποίηση μεγάλων δεδομένων κρίσεων με τη χρήση συνελικτικών νευρωνικών δικτύων

Abstract

Μεγάλα δεδομένα παράγονται κατά την εμφάνιση απροσδόκητων καταστροφικών γεγονότων, και αυτό θέτει νέες προκλήσεις στην χρονικά καθοριστική ανάλυση δεδομένων και στις τεχνικές επιβλεπόμενης μάθησης. Τα κοινωνικά δίκτυα αναγνωρίζονται όλο και συχνότερα ως μέσα αρωγής των δράσεων διάσωσης και αποκατάστασης συνεισφέροντας στην επίγνωση κατάστασης κατά τη διάρκεια φαινομένων μαζικής εκτάκτου ανάγκης. Είναι κοινή πρακτική η χρήση μεθόδων επιβλεπόμενης μάθησης για να ερμηνευτούν μεγάλα σύνολα δεδομένων ως προς τους διάφορους τύπους πληροφοριών που διακινούνται μέσω σύντομων μηνυμάτων υπηρεσιών μικροϊστολογίου τύπου Twitter. Υπάρχει ενδιαφέρον από πλευράς κυβερνητικών υπηρεσιών, ΜΚΟ, οργανισμών δημόσιας υγίειας και ανθρωπιστικών οργανώσεων να ερευνηθεί η δυναμική των κοινωνικών δικτύων στην παροχή ανθρωπιστικής βοήθειας μέσω ενός δεδομενο-κεντρικού τρόπου κατά διαχείριση του πληροφοριακού φόρτου και της καλύτερης επιβεβαίωσης και διαλογής των πληροφοριών βάσει προτεραιοτήτων για τους σκοπούς ενός εκάστου. Προβλεπτικά μοντέλα επιβλεπόμενης μάθησης που βασίζονται σε βαθιά νευρωνικά δίκτυα έχουν χρησιμοποιηθεί πρόσφατα σε διάφορες εφαρμογές επιτυγχάνοντας κορυφαίες επιδόσεις , μεταξύ άλλων, στην αναγνώριση αντικειμένων και φωνής. Στο πλαίσιο της κατηγοριοποίησης σύντομων μηνυμάτων κρίσεων, η εφαρμογή νευρωνικών ταξινομητών είναι καινοτόμα.

Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη αξιόπιστων και αποδότικων, σε ότι αφορά τη μείωση του κόστους και του χρόνου επεξεργασίας, μεθόδων ταξινόμησης μεγάλων δεδομένων κρίσεων, βασιζόμενων σε βαθέα νευρωνικά δίκτυα . Προτείνουμε δύο αρχιτεκτονικές βαθέων νευρωνικών δικτύων, που ανήκουν στη ομάδα των συνελικτικών εμπροσθόδρομων, για το έργο της κατηγοριοποίησης των μικρο-κειμενικών δεδομένων κρίσεων. Απεφεύχθη κάθε προσπάθεια εργο-εξειδικευμένης μηχανικής, τόσο στην προεπεξεργασία των δεδομένων όσο και στη σχεδίαση χαρακτηριστικών, καθώς επίσης αποφεύχθηκε και η χρήση εξωτερικών προ-επιμελημένων βάσεων γνώσης. Αξιοποιώντας τα παραπάνω μοντέλα διεξήχθη πειραματική μελέτη έναντι πραγματικών δεδομένων από παλαιότερες καταστροφές. Ελλείψει ικανού αριθμού επισημειώσεων, συμπεριελήφθη μεταφορά γνώσης από ιστορικά δεδομένα προσαρμοσμένα σε κάθε τύπο καταστροφής ξεχωριστά. Το συμπερασμά αυτής της εργασίας είναι πως τα συνελικτικά νευρωνικά δίκτυα μπορούν να αντιμετωπίσουν αποτελεσματικά το πρόβλημα της ταχείας ανάλυσης μεγάλων δεδομένων κρίσεων και είναι πράγματι μια εφικτή και πολλά υποσχόμενη λύση.