面向论文评审评分推荐的层次化双向自注意力网络

文本评审的评分预测是一项快速发展的技术，在自然语言处理中有广泛应用。然而，现有大多数方法要么使用手工特征，要么以简单文本语料作为输入、利用深度学习学习特征来进行评审评分预测，忽略了数据间的层次结构。本文提出一种层次化双向自注意力网络框架（HabNet）用于论文评审评分预测与推荐，可作为学术论文评审过程的有效决策工具。具体而言，我们利用论文评审的层次结构，采用三级编码器：句子编码器（第一级）、评审内编码器（第二级）和评审间编码器（第三级）。每个编码器先推导各层次的上下文表示，再生成更高层次的表示；在学习过程后，我们能够识别有用的预测因子以做出最终的录用决策，并有助于发现数值评审评分与评审者所传达文本情感之间的不一致。此外，我们引入两个新指标来评估数据不平衡情形下的模型。在公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）上的大量实验表明，所提方法相较最先进的方法具有优越性。