面向细粒度观点挖掘与公共健康的弱监督注意力网络
机器学习
2019-10-02 v1 计算与语言
信息检索
机器学习
摘要
在许多评论分类应用中，对评论进行细粒度分析是可取的，因为评论的不同片段（例如句子）可能聚焦于所讨论实体的不同方面。然而，训练用于片段级分类的有监督模型需要片段标签，这比评论标签更难或更昂贵获取。在本文中，我们采用多示例学习（MIL）并仅使用以每篇评论单个标签形式的弱监督。首先，我们表明当使用不恰当的 MIL 聚合函数时，基于 MIL 的网络会被更简单的基线超越。其次，我们提出了一种基于 sigmoid 注意力机制的新聚合函数，并表明我们提出的模型在片段级情感分类上优于最先进（SOTA）模型（F1 提升高达 9.8%）。最后，我们强调了细粒度预测在一个重要公共健康应用中的重要性：发现食源性疾病的可操作报告。我们表明我们的模型相比先前模型实现了 48.6% 更高的召回率，从而增加了识别先前未知食源性暴发的可能性。
引用
@article{arxiv.1910.00054,
title = {Weakly Supervised Attention Networks for Fine-Grained Opinion Mining and Public Health},
author = {Giannis Karamanolakis and Daniel Hsu and Luis Gravano},
journal= {arXiv preprint arXiv:1910.00054},
year = {2019}
}
备注
Accepted for the 5th Workshop on Noisy User-generated Text (W-NUT 2019), held in conjunction with EMNLP 2019