81.
零样本立场检测的主要目的是在标注数据有限或没有标注数据的情况下识别作者对特定目标或主题的态度,目前已有的零样本立场检测主要是基于注意力机制或引入外部情感信息,该类方法忽略了原始文本中隐藏的情感信息和实体之间的语义关系。针对这一问题,提出了一个融合情感词典和图对比学习的零样本立场检测模型(EL-CL),利用思维链诱导的方法来挖掘原始文本中的情感信息,用于辅助构建新的输入文本,在对输入文本聚类生成原型图的训练过程中引入情感词典来增强原型图的文本向量中的情感信息。同时,采用自监督的图对比学习方法,对含有情感特征的向量进行数据增强,以提高模型对未知样本的推理能力。在NLPCC2016中文微博立场检测数据集上基于5个目标进行实验,结果显示,所提模型在多分类评价指标macro-F
1上比基线模型提升了10%,证明了所提模型在零样本环境下具有良好的立场检测能力。… …
相似文献