融合语义与结构信息基于图卷积网络的争议检测
计算与语言
2020-05-19 v1
摘要
识别社交媒体上的争议性帖子是挖掘公众情绪、评估事件影响以及缓解观点极化的一项基础任务。然而，现有方法未能 1) 有效整合来自内容相关帖子的语义信息；2) 保留用于回复关系建模的结构信息；3) 妥善处理来自与训练集中话题不相似话题的帖子。为克服前两个局限，我们提出话题-帖子-评论图卷积网络（TPC-GCN），该网络整合来自话题、帖子和评论的图结构与内容信息，用于帖子级争议检测。针对第三个局限，我们将模型扩展为解耦 TPC-GCN（DTPC-GCN），以解耦话题相关与话题无关特征并动态融合。在两个真实世界数据集上的大量实验表明，我们的模型优于现有方法。结果与案例分析证明，我们的模型能够融合语义与结构信息，并具有显著的泛化能力。
引用
@article{arxiv.2005.07886,
title = {Integrating Semantic and Structural Information with Graph Convolutional Network for Controversy Detection},
author = {Lei Zhong and Juan Cao and Qiang Sheng and Junbo Guo and Ziang Wang},
journal= {arXiv preprint arXiv:2005.07886},
year = {2020}
}
备注
12 pages, 3 figures, 6 tables; To appear in ACL 2020 (long paper)