中间任务迁移学习：利用讽刺检测提升立场检测性能

社交媒体上的立场检测（SD）已成为越来越受关注的研究领域，具有社交商业和政治应用的深远意义，因而吸引了不断的研究注意力。来自在线平台的文本所固有的微妙和复杂性为SD算法准确判断作者立场带来了挑战。讽刺和比喻语言的包含会显著影响SD模型的性能。本文通过针对SD采用讽刺检测中间任务迁移学习来解决此问题。 proposed方法包括对BERT和RoBERTa进行微调以及卷积BiLSTM和稠密层的拼接。对公开可用的公开数据集进行严格的实验，以评估 transfer-learning 框架的性能。该方法的性能被评估为各种最先进（SOTA）基线，为其有效性提供了实证证据。值得注意的是，我们的模型在讽刺检测预训练之前就已超越了最佳SOTA模型。将讽刺知识集成到模型中对于减轻SD中讽刺文本元素的误分类至关重要。我们的模型准确预测了85%的文本，这些文本在没有讽刺检测预训练时被模型误分类，从而提高了模型的平均F1分数。我们的实验还发现，transfer-learning 框架的成功取决于中间任务与目标任务之间词汇属性的相关性。该研究代表了在SD上下文中将讽刺检测作为中间transfer-learning 任务的首次探索，同时使用BERT或RoBERTa与其他深度学习技术的拼接，使提出的方法成为该领域未来研究的基础基线。