面向有效评论有用性分类的负置信度感知弱监督二分类方法
信息检索
2020-08-17 v1
摘要
正标签的不完备性以及大量未标注样本的存在，是诸如评论有用性分类等二分类应用中的常见问题。分类文献中的多项研究将所有未标注样本视为负例。然而，一个在训练时学习对具有不完备正标签的二分类样本进行分类、同时假设所有未标注数据均为负例的分类模型，往往会产生有偏的分类器。在本工作中，我们提出一种新颖的负置信度感知弱监督方法（NCWS），该方法通过在分类器训练过程中以不同的负置信度区分未标注样本，从而定制二分类损失函数。我们以评论有用性分类作为测试用例来检验 NCWS 方法的有效性。我们使用三个不同的数据集对 NCWS 进行了充分评估，分别来自 Yelp（场所评论）以及 Amazon（Kindle 与电子产品评论）的两个数据集。我们的结果表明，在解决分类器偏差问题方面，NCWS 优于文献中的强基线，包括现有的基于 SVM 的方法（即 SVM-P）、基于正类与未标注学习的办法（即 C-PU）以及基于正置信度的方法（即 P-conf）。此外，我们进一步通过将 NCWS 分类出的有用评论用于最先进的基于评论的场所推荐模型（即 DeepCoNN）中，检验了 NCWS 的有效性，并展示了相较于基线，使用 NCWS 在提升场所推荐效果方面的益处。
引用
@article{arxiv.2008.06487,
title = {Negative Confidence-Aware Weakly Supervised Binary Classification for Effective Review Helpfulness Classification},
author = {Xi Wang and Iadh Ounis and Craig Macdonald},
journal= {arXiv preprint arXiv:2008.06487},
year = {2020}
}
备注
CIKM 2020