[发明专利]一种层级对齐结构的问答立场检测方法及装置

说明书

本发明公开了一种层级对齐结构的问答立场检测方法及装置，包括：分别将问题文本与回答文本转换为问题序列与回答序列；拼接问题序列与回答序列，得到问题回答序列；将问题序列、回答序列及问题回答序列输入层次对齐模型，得到问答立场检测结果。本发明的层次对齐模型，先使用了BERT预训练模型得到粗粒度的立场表示，然后从QA对中的问题和回答两方面进行了概念级别的目标对齐和证据级别的信息对齐，得到了由粗到精的立场表示，从而在问答立场检测任务上可以获得更高的准确率和F1值。

技术领域

本发明涉及社交媒体-立场检测-自然语言处理领域，特别涉及一种层级对齐结构的问答立场检测方法及装置。

技术背景技术

立场检测任务是一个分类问题，意在识别作者对特定目标(如实体、声明、事件等)所表达的立场，在观点识别、政治辩论、谣言检测、假新闻检测等任务中起到重要作用。在社交问答平台中，问答立场检测是一种新型立场检测任务，目的是识别针对特定问题的回答中所携带的立场。

对于立场检测任务，早期的研究关注在线辩论文本，主要使用基于规则的算法(Walker, M.,Tree,J.F.,Anand,P.,Abbott,R.,King,J.:A corpus for research ondeliberation and debate.In: Proceedings of the Eighth InternationalConference on Language Resources and Evaluation (LREC’12).pp.812{817.EuropeanLanguage Resources Association(ELRA),Istanbul,Turkey (May2012))、SVM(Hasan,K.S.,Ng,V.:Stance classification of ideological debates:Data,models,features,and constraints.In:Proceedings of the Sixth International JointConference on Natural Language Processing.pp.1348{1356.Asian Federation ofNatural Language Processing,Nagoya, Japan(Oct 2013))和朴素贝叶斯(Rajadesingan,A.,Liu,H.:Identifying users with opposing opinions in twitterdebates.In:Kennedy,W.G.,Agarwal,N.,Yang,S.J.(eds.)Social Computing,Behavioral-Cultural Modeling and Prediction.pp.153{160.Springer InternationalPublishing, Cham(2014))等机器学习的方法。近期的工作逐渐转向了社交媒体领域，研究方法逐渐转变为深度学习方法，使用基于深度神经网络的模型分析针对目标的立场，例如文献 (Vijayaraghavan,P.,Sysoev,I.,Vosoughi,S.,Roy,D.:DeepStance at SemEval-2016task6: Detecting stance in tweets using character and word-level CNNs.In:Proceedings of the 10th International Workshop on Semantic Evaluation(SemEval-2016).pp.413{419.Association for Computational Linguistics,SanDiego,California(Jun2016))、文献(Zarrella,G.,Marsh,A.: MITRE at SemEval-2016task 6:Transfer learning for stance detection.In:Proceedings of the 10thInternational Workshop on Semantic Evaluation(SemEval-2016).pp.458{463.Association for Computational Linguistics,San Diego,California(Jun2016))和文献(Sun,Q.,Wang,Z.,Zhu,Q., Zhou,G.:Stance detection withhierarchical attention network.In:Proceedings of the 27th InternationalConference on Computational Linguistics.pp.2399{2409.Association forComputational Linguistics,SantaFe,New Mexico,USA(Aug 2018))等。此外，还有一些研究，例如文献(Zhang,B.,Yang,M.,Li,X.,Ye,Y.,Xu,X.,Dai,K.:Enhancing cross-targetstance detection with transferable semantic-emotion knowledge.In:Proceedingsof the 58th Annual Meeting of the Association for ComputationalLinguistics.pp.3188{3197.Association for Computational Linguistics,Online(Jul2020))和文献(Slovikovskaya,V.,Attardi,G.:Transfer learning from transformersto fake news challenge stance detection(FNC-1)task.In:Proceedings of the 12thLanguage Resources and Evaluation Conference.pp.1211{1218.European LanguageResources Association,Marseille,France(May 2020))，在多种目标间使用了迁移知识，这些目标主要是实体、声明或短语。