面向行为分析系统的知识引导持续学习

在线平台上的用户行为正在演变，反映了人们在发布内容（无论是帮助性消息还是仇恨言论）方式上的现实变化。由于数据漂移，学习捕捉这些内容的模型会随时间推移出现性能下降，这可能导致行为分析系统效率低下。然而，由于灾难性遗忘，随时间推移用新数据微调此类模型可能是有害的。持续学习中的基于重放的方法提供了一种简单而有效的方法来更新此类模型，通过维护一个包含过去学习任务中重要训练实例的缓冲区来最小化遗忘。然而，这种方法的主要限制是缓冲区的固定大小。可以利用外部知识库通过数据增强来克服这一限制。我们提出了一种新颖的基于增强的方法，将外部知识整合到基于重放的持续学习框架中。我们使用来自先前与越轨行为分类相关研究中的三个数据集评估了几种策略，以评估外部知识在持续学习中的整合，并证明增强有助于超越基线基于重放的方法。