模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2019, Vol. 32 Issue (12): 1072-1079    DOI: 10.16451/j.cnki.issn1003-6059.201912002
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于多任务联合学习的论辩挖掘
廖祥文1,2,3, 倪继昌1,2,3, 魏晶晶4, 吴运兵1,2,3, 陈国龙4
1.福州大学 数学与计算机科学学院 福州 350116;
2.福州大学 福建省网络计算与智能信息处理重点实验室 福州 350116;
3.数字福建金融大数据研究所 福州 350116;
4.福建江夏学院 电子科学信息学院 福州 350108
Argumentation Mining Based on Multi-task Joint Learning
LIAO Xiangwen1,2,3, NI Jichang1,2,3, WEI Jingjing4, WU Yunbing1,2,3, CHEN Guolong1,2,3
1.College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116;
2.Fujian Provincial Key Laboratory of Networking Computing and Intelligent Information Processing, Fuzhou University,Fuzhou 350116;
3.Digital Fujian Institute of Financial Big Data, Fuzhou 350116;
4.College of Electronics and Information Science, Fujian Jiangxia University, Fuzhou 350108

全文: PDF (884 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 现有的论辩挖掘工作大多针对单个数据集建模,忽视数据集不同时可能存在的特征变化情况,导致模型的泛化性能较差.因此,文中提出基于多任务学习的论辩挖掘方法,将多个数据集的论辩挖掘任务进行联合学习.首先融合多个任务的输入层表示,通过卷积神经网络和高速神经网络获取词级别和字符级共享参数,联合任务相关特征输入栈式双向长短记忆网络,利用多个论辩挖掘任务之间的关联信息并行训练,最终由条件随机场得到序列标注结果.在6个不同领域的数据集上的实验表明,文中方法在Macro-F1值上有所提升,由此验证方法的有效性.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
廖祥文
倪继昌
魏晶晶
吴运兵
陈国龙
关键词 论辩挖掘多任务学习深度学习神经网络    
Abstract:Most of the existing research on argumentation mining is focused on modeling single dataset, and the possible changes in feature of different datasets are neglected. And thus the generalization performance of the model is decreased. Therefore, an argumentation mining method based on multi-task learning is proposed to combine the argumentation mining tasks of multiple datasets for joint learning. Firstly, the input layers of multiple tasks are fused, and the sharing parameters of word level and character level are obtained via deep convolutional neural network and highway network. The joint task-related feature input into stacking long-short term memory is utilized to train the correlation information between multiple argumentation mining tasks in parallel. Finally, the results of sequence labeling are obtained by the conditional random field. The experimental results on six datasets of various fields verify the effectiveness of the proposed method with increased Macro-F1.
Key wordsArgumentation Mining    Multi-task Learning    Deep Learning    Neural Network   
收稿日期: 2019-06-15     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.61772135,U1605251)、福建省自然科学基金面上项目(No.2017J01755)、中国科学院网络数据科学与技术重点实验室开放基金课题(No.CASNDST201708,CASNDST201606)、模式识别国家重点实验室开放课题基金项目(No.201900041)、赛尔网络下一代互联网技术创新项目(No.NGII20160501)、北邮可信分布式计算与服务教育部重点实验室主任基金项目(No.2017KF01)
通讯作者: 廖祥文,博士,教授,主要研究方向为观点挖掘、情感分析.E-mail:liaoxw@fzu.edu.cn.   
作者简介: 倪继昌,硕士研究生,主要研究方向为观点挖掘、情感分析.E-mail:n170320031@fzu.edu.cn.魏晶晶,博士,讲师,主要研究方向为观点挖掘.E-mail:weijj@fjjxu.Edu.cn.吴运兵,硕士,副教授,主要研究方向为知识表示、知识发现.E-mail:wyb5820@fzu.edu.cn.陈国龙,博士,教授,主要研究方向为智能信息处理.E-mail:cgl@fzu.edu.cn.
引用本文:   
廖祥文, 倪继昌, 魏晶晶, 吴运兵, 陈国龙. 基于多任务联合学习的论辩挖掘[J]. 模式识别与人工智能, 2019, 32(12): 1072-1079. LIAO Xiangwen, NI Jichang, WEI Jingjing, WU Yunbing, CHEN Guolong. Argumentation Mining Based on Multi-task Joint Learning. , 2019, 32(12): 1072-1079.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201912002      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2019/V32/I12/1072
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn