基于类别感知课程学习的半监督立场检测
作者机构:重庆理工大学计算机科学与工程学院
出 版 物:《计算机应用》 (Journal of Computer Applications)
年 卷 期:2024年
学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:重庆市自然科学基金项目(CSTB2022NSCQ-MSX1672) 重庆市教育委员会科学技术研究计划重大项目(No.KJZD-M202201102) 重庆理工大学校级联合资助项目(gzlcx20233248)
摘 要:生成伪标签是半监督立场检测的一种有效策略。在现实应用中,生成的伪标签质量存在差异,然而现有的工作将生成伪标签的质量视为是同等的;此外,现有的工作没有充分考虑类别不平衡对伪标签生成质量的影响。为了解决上述两个问题,提出基于类别感知课程学习的半监督立场检测模型(SDCL)。首先使用预训练分类模型对无标签推文生成伪标签,其次根据伪标签质量高低对推文按类别排序,并选取每个类别前k个高质量推文;最后,将各个类别选出的推文进行合并后重新排序,排序后带有伪标签的推文再输入分类模型,进一步优化模型参数。实验结果表明,与基线模型中表现最好的SANDS(Stance Analysis via Network Distant Supervision)相比,所提模型在3种不同划分(500、1000和1500)情况下,StanceUS数据集Mac-F1分别提高了1.5、1.1和2.6个百分点,StanceIN数据集Mac-F1分别提高了1.2、1.1和1.3个百分点,实验结果验证了所提模型的有效性。