一种用于理解在线对话的基于图的上下文感知模型

允许用户参与互动的在线论坛已对许多重要议题的公众讨论产生了变革性影响。然而，此类对话有时会升级为仇恨与错误信息的全面交锋。自然语言处理（NLP）中的现有方法，如用于分类任务的深度学习模型，仅将单条评论或一对评论作为输入，具体取决于任务是推断单条评论的属性还是成对评论间的回复关系。但在在线对话中，评论与回复可能基于模型输入中直接相关信息之外的外部上下文。因此，感知对话的周边上下文应能提升模型在手头推断任务上的表现。我们提出GraphNLI，一种新颖的基于图的深度学习架构，利用图游走以原则性方式纳入对话的更宽上下文。具体而言，图游走从给定评论出发，在同一或并行对话线程中采样“邻近”评论，产生额外的嵌入并与初始评论的嵌入聚合在一起。随后我们将这些 enriched 嵌入用于在线对话中重要的下游NLP预测任务。我们在两个此类任务上评估GraphNLI——极性预测与厌女仇恨言论检测——发现我们的模型在两项任务上始终优于所有相关基线。具体而言，采用偏置寻根随机游走的GraphNLI，在极性预测与仇恨言论检测任务上的宏F1分数分别比性能最佳的基于BERT的基线高出3和6个百分点。