基于层次化多示例多标签学习的宣传技巧检测
计算与语言
2023-06-01 v1
摘要
自 SemEval 2020 Task 11 (Martino et al., 2020a) 提出以来，文献中已提出多种基于影响读者的修辞技巧对宣传进行分类的方法。然而，这些方法每次仅对一个片段进行分类，忽略了同一语境下其他片段标签之间的依赖关系。在本文中，我们将宣传技巧分类视为一个多示例多标签 (MIML) 学习问题 (Zhou et al., 2012)，并提出了一种简单的基于 RoBERTa 的模型 (Zhuang et al., 2021)，用于同时分类一篇文章中的所有片段。此外，我们注意到，由于标注过程中标注者按照决策树对片段进行分类，不同技巧之间存在固有的层次关系，而现有方法忽略了这一点。我们通过为决策树中的每个节点向训练目标添加一个辅助分类器，并在测试时集成原始分类器与辅助分类器的预测结果，来纳入这些层次化标签依赖。总体而言，在交叉验证设置下，我们的模型比共享任务获胜团队的模型在 micro-F1 上绝对提升了 2.47%，并且是共享任务排行榜上性能最佳的非集成模型。
引用
@article{arxiv.2305.19419,
title = {Hierarchical Multi-Instance Multi-Label Learning for Detecting Propaganda Techniques},
author = {Anni Chen and Bhuwan Dhingra},
journal= {arXiv preprint arXiv:2305.19419},
year = {2023}
}