计算机应用

作者：唐望径, 许斌, 仝美涵, 韩美奂, 王黎明, 钟琦

单位：1.清华大学 计算机科学与技术系，北京 100084；2.北京交通大学 计算机与信息技术学院，北京 100044；3.清华大学 深圳国际研究生院，广东 深圳 518055；4.中国科普研究所，北京 100081

关键词：科普文本分类,知识图谱,两级筛选,长文本分类,注意力

科普文本分类是将科普文章按照科普分类体系进行划分的任务。针对科普文章篇幅超过千字，模型难以聚焦关键信息，造成传统模型分类性能不佳的问题，提出一种结合知识图谱进行两级筛选的科普长文本分类模型，来减少主题无关信息的干扰，提升模型的分类性能。首先，采用四步法构建科普领域的知识图谱；然后，将该知识图谱作为距离监督器，并通过训练句子过滤器来过滤掉无关信息；最后，使用注意力机制对过滤后的句子集做进一步的信息筛选，并实现基于注意力的主题分类模型。在所构建的科普文本分类数据集（PSCD）上的实验结果表明，基于领域知识图谱的知识增强的文本分类算法模型具有更高的F1-Score，相较于TextCNN模型和BERT模型，在F1-Score上分别提升了2.88个百分点和1.88个百分点，验证了知识图谱对于长文本信息筛选的有效性。

来源：2022年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第4期