基于多任务迭代学习的论辩挖掘方法

论辩挖掘可分为: 论点边界的检测,论点类型的识别,论点关系的抽取三个子任务。 现有的工作大多数对子任务分别建模研究, 忽略了三个子任务之间的关联信息, 导致性能低下。 另外, 还有部分的工作采用流水线模型把三个子任务进行联合建模,流水线模型仍然是独立的看待每个子任务,为每个子任务训练单独的模型,存在错误传播的问题,且在训练过程中产生了冗余信息。 因此, 提出了一种基于多任务迭代学习的的论辩挖掘方法。 该方法将论辩挖掘三个任务并行地联合一起学习,首先通过深度卷积神经网络(CNN) 和高速神经网络(Highway Network), 获得文本字符和词级别的浅层共享参数表示;然后输入双向长短时记忆循环神经网络(Bi-LSTM), 利用论辩挖掘三个任务之间的关联信息进行同时训练, 不仅可以避免错误传播,而且能够克服冗余信息的产生; 最后,联结三个任务的 Bi-LSTM 网络输出作为下一次迭代的输入, 来提高模型的性能。 实验采用了德国 UKP 实验室公开的学生论文数据集,实验结果表明,与目前最好的基准方法对比,该方法在准确率指标上提高了 2.74%,在“F1(100%)”和“F1(50%)”指