VIP内容

论文研究跨实体立场检测方法。这一问题的最大挑战在于我们需要从有限的已知实体样本中挖掘语义信息来对未知的实体进行立场检测。分析发现,由于待预测样本的实体是未知的,所以很难通过知识迁移或特征共享的方法将已知实体的训练特征迁移至未知实体的立场学习当中。并且,不同的实体往往存在其特有的立场信息表达。

基于这一发现,论文探索了一种新的从实体出发来构建适应于该实体的语义依赖关系图,该方法可以从已有语料中自动地为不同实体构建立场信息表达关系图,称为实体自适应语义依赖图(target-adaptive semantic dependency graph, TSDG)。与以往基于特征共享和知识迁移的方法不同,TSDG同时考虑了实体内特有的立场表达信息(in-target graph)和不同实体之间的立场表达联系(cross-target graph)。通过对in-target graph的建模和学习,可以突出该实体特有的立场表达信息,并可以将这些特有信息用于协助有关联的未知实体立场特征学习;通过对cross-target graph的建模和学习,可以有效挖掘出不同实体之间的通用立场表达。最终通过一个交互式图卷积网络同时将in-target和cross-target信息用于未知实体的立场检测。

成为VIP会员查看完整内容
0
12
Top