基于对抗学习的 COVID-19 相关卫生政策立场分类器
计算与语言
2023-01-26 v3 计算机与社会
摘要
持续的 COVID-19 大流行给全球人民造成了无法估量的损失。为遏制病毒传播并进一步缓解危机，已出台各类卫生政策（如居家令），随着用户在社交媒体上分享其态度，这些政策引发了热烈讨论。本文考虑大流行下更具现实性的立场检测场景（即跨目标与零样本设定），并提出一种基于对抗学习的立场分类器，以自动识别公众对 COVID-19 相关卫生政策的态度。具体而言，我们采用对抗学习，使模型能在大量标注数据上训练，并从源主题中捕获可迁移知识，从而能够泛化至标注数据稀疏的新兴卫生政策。为进一步增强模型的深层理解，我们将政策描述作为外部知识融入模型。同时，设计了一个 GeoEncoder，促使模型捕获各地区所特定的未观测背景因素，并将其表示为非文本信息。我们在 COVID-19 相关卫生政策的立场检测任务上评估了广泛基线的性能，实验结果表明，我们所提方法在跨目标与零样本设定下均取得了最先进的（SOTA）性能。
引用
@article{arxiv.2209.04631,
title = {Adversarial Learning-based Stance Classifier for COVID-19-related Health Policies},
author = {Feng Xie and Zhong Zhang and Xuechen Zhao and Haiyang Wang and Jiaying Zou and Lei Tian and Bin Zhou and Yusong Tan},
journal= {arXiv preprint arXiv:2209.04631},
year = {2023}
}
备注
Accepted by DASFAA 2023; camera-ready version; 10 pages, 2 figures; code see https://github.com/Xiefeng69/stance-detection-for-covid19-related-health-policies