Hybrid Bat and Salp Swarm Algorithm for Feature Selection and Classification of Crisis-Related Tweets in Social Networks
Notice bibliographique
Résumé
Twitter is a useful tool for effectively tracking and managing crisis-related incidents. However, due to many irrelevant features in textual data, the problem of high dimensionality arises, which eventually increases the computational cost and decreases classification performance. Thus, to handle such a problem, this work presents a Spark-based hybrid binary Bat (BBA) and binary Salp swarm algorithm (BSSA) named SBBASSA for feature selection and classification of crisis-related tweets. In the proposed technique, the hybridization of standard BBA and BSSA algorithms is performed to enhance their exploration capabilities, then the combined algorithm is implemented in parallel using Apache Spark framework to reduce the overall execution time during the feature selection process. A support vector machine (SVM) classifier is applied during the wrapper-based feature subset selection and classification. The performance of the proposed SBBASSA was analyzed on six benchmark crisis tweet datasets, namely Hurricane Sandy, Boston Bombings, Oklahoma Tornado, West Texas Explosion, Alberta Floods, and Queensland Floods, and then compared with standard BSSA, BBA, and binary particle swarm optimization (BPSO). Results showed that SBBASSA performed competently in the feature selection and classification, outperformed other algorithms in crisis tweet classification, and achieved the highest accuracy with the lowest feature set in a reduced execution time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».