基于自监督学习的在线对话再参与预测
计算与语言
2021-09-07 v1
摘要
近年来，社交媒体上在线讨论与观点分享的全球性业务蓬勃发展。再参与预测任务由此被提出，以帮助人们追踪其希望继续参与讨论的会话。然而，现有工作仅关注利用聊天历史和上下文信息，忽略了对话数据底层潜在有用的学习信号，例如对话线程模式和目标用户的重复参与，这些有助于更好地理解目标用户在对话中的行为。本文中，我们提出三个有趣且依据充分的辅助任务，即传播模式、重复目标用户和轮次作者身份，作为再参与预测的自监督信号。这些辅助任务以多任务方式与主任务共同训练。在从 Twitter 和 Reddit 新收集的两个数据集上的实验结果表明，我们的方法以更少的参数和更快的收敛优于以往的 SOTA。大量实验与分析显示了我们提出模型的有效性，并指出了设计自监督任务中的一些关键思路。
引用
@article{arxiv.2109.02020,
title = {Re-entry Prediction for Online Conversations via Self-Supervised Learning},
author = {Lingzhi Wang and Xingshan Zeng and Huang Hu and Kam-Fai Wong and Daxin Jiang},
journal= {arXiv preprint arXiv:2109.02020},
year = {2021}
}
备注
Accepted by EMNLP 2021 Findings