[发明专利]一种基于多图稀疏交互网络的多任务立场检测方法

说明书

本发明公开了一种基于多图稀疏交互网络的多任务立场检测方法。该方法通过将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述任务相关注意力模块用于计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。

技术领域

本发明涉及立场检测技术领域，尤其涉及一种基于多图稀疏交互网络的多任务立场检测方法。

背景技术

现有的立场检测方法主要使用机器学习方法和深度学习的方法。机器学习的方法需要做大量的特征工程的工作，手动提取特征，然后设计机器学习模型，来训练提取的特征，例如支持向量机模型(Support Vector Machine)、决策树模型、随机森林等。这类方法主要的缺点是需要耗费大量的时间来进行特征工程，人工挑选的特征含有的信息有限，在一定程度上降低了模型的性能；同时机器学习方法大都包含大量的超参数，需要手动挑选出其最优值，耗时耗力，而且无法大规模应用。早期的基于深度学习的立场检测方法主要使用循环神经网络(Recurrent Neural Network，RNN)、卷积神经网络(ConvolutionalNeural Network，CNN)和注意力机制(Attention Mechanism)来自动的捕捉新闻文本的特征，提高立场检测的表现。受到Transformers流行的影响，最近一些工作聚焦于使用Bert模型来提高立场检测任务的表现，主要是利用Bert强大的词嵌入的能力。与本发明相关的基于深度学习的立场检测方法是使用辅助信息，构造辅助任务来帮助提升立场检测任务的表现，例如情感信息，表情信息，文本的主观或者客观本质等。主要设计了辅助LSTM网络来提取情感特征，主LSTM网络来提取主任务的特征，然后将情感特征和立场特征简单地拼接在一起，预测新闻文本的立场。

现有技术中采用基于深度学习的立场检测方法无法捕捉目标表达和立场表达的相关性，例如RNN和CNN。基于辅助任务的立场检测方法中，均简单地拼接情感特征和立场特征，忽略了任务之间关系的复杂性，将两个任务视为重要性相同，简单地将其拼接起来，从而产生较大的负迁移，造成模型性能的下降。且采用辅助任务的形式时，仅仅关注主任务的表现，对于辅助任务的性能提升没有任何考虑。因此，造成现有技术对推文文本进行立场检测时的准确率较低。

发明内容

本发明提供一种基于多图稀疏交互网络的多任务立场检测方法，提高了针对推文文本进行立场检测的准确性。

本发明一实施例提供一种基于多图稀疏交互网络的多任务立场检测方法，包括以下步骤：

将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型为图卷积神经网络模型，所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述输入文本包括推文文本和目标文本；

所述文本编码模块用于将输入文本处理成多个词向量，以供所述多图构建模块、多图稀疏交互模块和任务相关注意力模块使用；

所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；所述立场任务图为根据所述输入文本的句法依赖树构建的图和进行立场检测任务时输入文本的单词的语用权重构建的图；所述情感任务图为根据所述输入文本的句法依赖树和进行情感分类任务时输入文本的单词的语用权重构建的图；所述任务关系图为根据输入文本的单词的词类别重要性权重和所述输入文本的句法依赖树构建的图；