2010年,阿拉伯国家掀起了一波反政府抗议浪潮,称为“阿拉伯之春”,这引发了也门和叙利亚的内战以及世界上最严重的人道主义危机。自2016年以来,也门80%的人口死于饥饿,3886人死于霍乱。而自2011年以来,65%的叙利亚人口成为难民。在这些危机期间,两国人民都转向社交媒体平台来传达他们与危机相关的信息。因此,来自埃及和叙利亚的推特用户数量呈爆炸性增长。推特为他们提供了以推文形式交流、互动和发布危机紧急消息的能力,帮助他们描述了各种与危机相关的数据,如危机当前状态的最新情况、建议、警告、求助、捐款,并且可以传播情绪获取支持。推文的内容已使人道主义组织意识到收集和分析它们的有效性。此内容提供与危机有关的信息,并有助于增强危机救援计划。但是,他们在收集、注释、预处理、提取特征以及对推文危机内容进行分类方面面临许多困难。由于没有阿拉伯语料库,词典或阿拉伯语资源来应对阿拉伯国家的人道主义危机,造成了这些困难。他们还发现很难用阿拉伯语定义正确的方法来收集和注释与危机相关的推文。检测和预处理这些指示不同危机主题的常见阿拉伯危机术语是另一个挑战。此外,现有的为阿拉伯语的危机推文确定正确的功能和分类技术也是值得怀疑的。因此,人道主义组织在应对饥荒、霍乱和难民危机时延误了时间,造成了生命和财产的损失。因此,我们的研究旨在提出用阿拉伯语对危机相关信息进行分类、建模。为此,我们首先研究阿拉伯国家的危机平台和用阿拉伯语传达危机相关信息的分类方法。接下来,我们定义一种机制来收集阿拉伯危机推文并进行分类。然后,我们根据使用最多的阿拉伯语危机术语来确定对推文进行分类的注释标准。在此之后,我们预处理阿拉伯语推文以产生用于危机分类的阿拉伯语语料库。之后,我们结合主题、句子和词的特征来提高分类器的性能。最后,我们将我们的方法和模型与不同的分类模型进行了比较,以评估它们的有效性。我们提出一个包含六个阶段的框架。第一阶段是使用推特API收集危机推文以及建立LDA模型,其中我们生成与危机关键字相关联的主题列表,然后让它们再次使用推特API进行查询。此收集机制可以检索更多与危机相关的推文,并扩展推文数据集。在第二阶段,我们创建了一个具有相似性的前10个危机术语的列表,然后对该列表进行筛选、排序和组合,以用于注释过程指导,此注释标准可提高质量,减少偏差,并提供根据推文中使用的主要危机术语分配危机标签的指南。在第三阶段,我们排除了一组阿拉伯危机推文实体名称,并应用归一化来生成通用的危机语料库,避免了书面错误。之后,我们结合两个词干分析器的特性,将它们引导到使用最多的危机推文状态,减少词缀问题。在第四阶段,我们通过TF-IDF加权平均词向量形成句子特征,然后将其与主题和词特征合并进行分类。最后,我们使用支持向量机、朴素贝叶斯和随机森林进行分类,然后用准确度、敏感度和特异度对每个分类器进行评估。为了测试提出的框架,我们设计了六个实验。在第一个实验中,我们建立了一个LDA模型,然后用一致性和困惑性度量对其进行评估。该模型对危机分类的预测能力差、质量低。实验二使用的是TF-IDF模型,但模型赋值能力不准确,正负类比例较低。在第三、四、五个实验中,我们建立了 CBOW、Skip-gram和Arav EC单词嵌入模型。Skip-gram模型得分略高于CBOW和Arav EC,但分类不准确,特异性的比例明显高于正类比例。在最后的实验中,我们实现了提出的危机分类框架。结果表明,所有分类器的敏感度和特异度的准确性和一致性都有所提高。这反映了我们阿拉伯语危机分类方法和模式的有效性。这项研究为人道主义组织提供了首个推特阿拉伯语语料库、方法和模型,有助于改进阿拉伯国家的危机预案,加快应急响应时间。此外,我们还考虑将它作为社交媒体中阿拉伯危机信息分类的基准,为这一领域的未来研究开辟前景。然而,我们正计划将此语料库扩展到更多的危机和国家,以便能够将深度学习技术应用于危机分类。除了考虑口语化和实时性处理等问题外,还需要进一步研究。