GraphNLI：一种用于在线辩论极性预测的基于图的自然语言推理模型
计算与语言
2022-02-17 v1 机器学习
摘要
允许用户参与互动的在线论坛已对重要议题的公众讨论产生了变革性影响。然而，此类论坛上的辩论有时会升级为仇恨或错误信息的全面交锋。理解与应对此类问题的一个重要工具是能够推断回复与其所回应帖子之间的论证关系，即回复是支持还是攻击该帖子。这一所谓的极性预测任务十分困难，因为回复可能基于帖子及待预测极性回复之外的外部上下文。我们提出 GraphNLI，一种新颖的基于图的深度学习架构，它利用图游走技术以原则性方式捕捉讨论线程的更宽上下文。具体而言，我们提出执行从帖子出发并捕捉其周围上下文的根搜索图游走方法，以为帖子生成额外嵌入。随后我们使用这些嵌入来预测回复与其所回应帖子之间的极性关系。我们在来自在线辩论平台 Kialo 的精选辩论数据集上评估了模型性能。我们的模型以 83% 的总体准确率优于相关基线，包括 S-BERT。
引用
@article{arxiv.2202.08175,
title = {GraphNLI: A Graph-based Natural Language Inference Model for Polarity Prediction in Online Debates},
author = {Vibhor Agarwal and Sagar Joglekar and Anthony P. Young and Nishanth Sastry},
journal= {arXiv preprint arXiv:2202.08175},
year = {2022}
}
备注
To appear at The ACM Web Conference 2022