Crawling and DatasetFor building a

Crawling and Dataset
For building a training dataset, we collected 6 million public
tweets in English language using the Twitter Search API1
from November 19th, 2012 to December 19th, 2012 in a
15km radius around the city centers of Seattle, WA and
Memphis, TN. For labeling the tweets, we first extracted
tweets containing incident related keywords and hyponyms
of these keywords. The latter are extracted using WordNet2.
We defined four classes in our training set: ”car crash”,
”fire”, ”shooting”, and ”not incident related”. 20.000 tweets
were randomly selected from the initial set and manually
labeled by scientific members of our departments. The final
training set consists of 213 car accident related tweets,
212 fire incident related tweets, 231 shooting incident related
tweets, and 219 not incident related tweets.

ผลลัพธ์ (ไทย) 1:

รวบรวมข้อมูล และชุดข้อมูลสำหรับการสร้างชุดข้อมูลการฝึกอบรม เรารวบรวมประชาชน 6 ล้านเข้ามาในภาษาอังกฤษใช้ API1 ค้นหาทวิตเตอร์จาก 19 พฤศจิกายน 2012 19 ธันวาคม 2012 ในการรัศมี 15 กม.ใกล้ศูนย์เมืองซีแอตเทิล WA และเมมฟิส TN. สำหรับการติดฉลากเข้ามา เราต้องแยกประกอบด้วยเหตุการณ์สำคัญที่เกี่ยวข้องและ hyponyms เข้ามาคำสำคัญเหล่านี้ หลังที่สกัดโดยใช้ WordNet2เรากำหนดชั้นที่สี่ในชุดฝึกอบรมของเรา: "รถชน""ไฟ" "ยิง" และ "ไม่แก้ไขปัญหาที่เกี่ยวข้อง" เข้ามา 20.000ถูกสุ่ม เลือก จากชุดเริ่มต้นด้วยตนเองกำหนดป้ายชื่อ โดยสมาชิกทางวิทยาศาสตร์ของหน่วยงานของเรา สุดท้ายชุดการฝึกอบรมจำนวน 213 อุบัติเหตุทางรถยนต์ที่เกี่ยวข้องเข้ามา212 ไฟเข้ามาเกี่ยวข้องเหตุการณ์ 231 ถ่ายภาพเหตุการณ์ที่เกี่ยวข้องเข้ามา และ 219 tweets ที่เกี่ยวข้องแก้ไขปัญหาไม่

ผลลัพธ์ (ไทย) 2:

รวบรวมข้อมูลและชุดข้อมูล
สำหรับการฝึกอบรมการสร้างชุดข้อมูลที่เราเก็บรวบรวม 6000000 สาธารณะ
ทวีตภาษาอังกฤษโดยใช้ทวิตเตอร์ค้นหา API1
จาก 19 พฤศจิกายน 2012 ที่จะ 19 ธันวาคม 2012 ใน
รัศมี 15 กมรอบศูนย์เมืองซีแอตเทิและ
เมมฟิส, เทนเนสซี สำหรับการติดฉลากทวีตที่เราสกัดครั้งแรกที่
ทวิตเตอร์ที่มีคำหลักที่เกี่ยวข้องกับเหตุการณ์ที่เกิดขึ้นและ hyponyms
ของคำเหล่านี้ หลังถูกสกัดโดยใช้ WordNet2.
เรากำหนดสี่ชั้นเรียนในการฝึกอบรมของเราชุด "รถชน",
"ไฟ", "ยิง" และ "เหตุการณ์ที่เกิดขึ้นไม่ได้เกี่ยวข้อง" 20.000 ทวิตเตอร์
ได้รับการสุ่มเลือกจากชุดแรกและตนเอง
โดยสมาชิกที่มีข้อความทางวิทยาศาสตร์ของหน่วยงานของเรา สุดท้าย
ชุดการฝึกอบรมประกอบด้วยอุบัติเหตุทางรถยนต์ 213 ทวีตที่เกี่ยวข้องกับ
เหตุการณ์ไฟไหม้ 212 ทวีตที่เกี่ยวข้องกับเหตุการณ์ยิง 231 ที่เกี่ยวข้องกับ
ทวิตเตอร์, และ 219 ไม่ได้ทวีตที่เกี่ยวข้องกับเหตุการณ์ที่เกิดขึ้น

ผลลัพธ์ (ไทย) 3:

รวบรวมข้อมูลและข้อมูลสำหรับการสร้างข้อมูลการฝึกอบรม
เราเก็บ 6 ล้านสาธารณะ
Tweets ในภาษาอังกฤษโดยใช้การค้นหาที่ Twitter API1
จาก 19 พฤศจิกายน 2012 ถึง 19 ธันวาคม 2555 ในรัศมี 15 กม. รอบเมือง
ศูนย์ Seattle , WA และ
เมมฟิส ซึ่งสำหรับการติดฉลากทวีตที่เราทวีตแรกสกัด
ที่มีคำหลักที่เกี่ยวข้องและเหตุการณ์ hyponyms
ของคำหลักเหล่านี้หลังถูกสกัดโดยใช้ wordnet2 .
เรากำหนดสี่ชั้นเรียนการฝึกอบรมของเราชุด : " ชน " รถ
" ไฟ " , " ยิง " และ " ไม่ใช่เหตุการณ์ที่เกี่ยวข้อง " 20.000 tweets
สุ่มจากการตั้งค่าเริ่มต้นด้วยตนเอง
ข้อความโดยสมาชิกทางวิทยาศาสตร์ของหน่วยงานของเรา ชุดฝึกอบรมสุดท้าย
ประกอบด้วย 213 อุบัติเหตุรถยนต์ที่เกี่ยวข้องกับ tweets
212 ไฟไหม้ทวีตที่เกี่ยวข้อง ,แต่เหตุการณ์ยิงที่เกี่ยวข้อง
Tweets และไม่ว่าเหตุการณ์ที่เกี่ยวข้องกับข้อความ