计算机应用

作者：高肇泽, 朱小飞, 项能强

单位：重庆理工大学 计算机科学与工程学院，重庆 400054

关键词：半监督,立场检测,类别不平衡,课程学习,伪标签生成

基金：重庆市自然科学基金资助项目(CSTB2022NSCQ?MSX1672);重庆市教育委员会科学技术研究计划重大项目(KJZD?M202201102);重庆理工大学校级联合资助项目(gzlcx20233248)

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，且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2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，根据伪标签质量的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合并后重新排序，并把排序后带有伪标签的推文再输入分类模型，从而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（有标签推文总数为500、1 000和1 500）情况下，在StanceUS数据集上的宏平均（Mac-F1）分数分别提高了2、1和3个百分点，在StanceIN数据集上的Mac-F1分数均提高了1个百分点，验证了所提模型的有效性。

来源：2024年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第10期