基于不确定性感知奖励的深度强化学习用于社交媒体信息意图分析
计算与语言
2023-02-22 v1 人工智能
机器学习
摘要
由于传播假新闻带来各种严重的负面影响，通常认为只有怀有恶意意图的人才会传播假新闻。然而，基于社会科学研究，这未必属实。基于意图区分假新闻传播者类型至关重要，因为这将有效指导如何以不同方法干预以减缓假新闻传播。为此，我们提出一种意图分类框架，能最佳识别假新闻的正确意图。我们将利用深度强化学习（DRL），通过在长短期记忆（LSTM）意图分类器上附加一个actor，从输入序列中移除噪声词来优化每条推文的结构化表示。策略梯度DRL模型（如REINFORCE）可引导actor获得更高的延迟奖励。我们还设计了一种新的基于主观意见的不确定性感知即时奖励，能显式处理多维不确定性以实现有效决策。通过来自带标注意图类的假新闻推文数据集的60万训练回合，我们评估了DRL中不确定性感知奖励的性能。评估结果表明，我们提出的框架高效减少了所选词数量，同时保持了95%的高多类准确率。
引用
@article{arxiv.2302.10195,
title = {Uncertainty-Aware Reward-based Deep Reinforcement Learning for Intent Analysis of Social Media Information},
author = {Zhen Guo and Qi Zhang and Xinwei An and Qisheng Zhang and Audun Jøsang and Lance M. Kaplan and Feng Chen and Dong H. Jeong and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2302.10195},
year = {2023}
}
备注
Accepted version