面向社交媒体个人事件检测的域引导任务分解与自训练方法
计算与语言
2020-04-23 v1 机器学习
社会与信息网络
摘要
挖掘社交媒体内容以完成诸如检测个人经历或事件等任务，面临词汇稀疏、训练数据不足以及创新性词汇的问题。为减轻创建大量标注数据的负担并提升分类性能，我们提出分两步执行这些任务：1. 通过识别关键概念将任务分解为特定领域的子任务，从而利用人类领域知识；2. 使用协同训练组合各关键概念学习器的结果，以降低对标注训练数据的需求。我们利用三个具代表性的社交媒体挖掘任务，即个人健康提及检测、危机报道检测以及药物不良反应监测，实证展示了我们的方法 Co-Decomp 的有效性与通用性。实验表明，在可用训练数据较少时，我们的模型能够超越最先进的文本分类模型——包括那些使用近期提出的 BERT 模型的模型。
引用
@article{arxiv.2004.10201,
title = {Domain-Guided Task Decomposition with Self-Training for Detecting Personal Events in Social Media},
author = {Payam Karisani and Joyce C. Ho and Eugene Agichtein},
journal= {arXiv preprint arXiv:2004.10201},
year = {2020}
}
备注
WWW 2020