基于类别感知课程学习的半监督立场检测

作     者：高肇泽 朱小飞 项能强 

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) 

主　　题：半监督 立场检测 类别不平衡 课程学习 伪标签生成 

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。