基于Span-ASTE的可解释性政府多对象态度识别模型研究

[目的/意义]在政府态度识别研究中,针对没有考虑到新闻文本中可能存在多个评价对象、政府态度识别结果可解释性不强等问题,基于Span-ASTE构建政府态度识别模型,提升态度识别效果。[方法/过程]首先,采用BERT提取词级别特征,基于跨度转化为跨度特征表示;然后,联合方面术语和观点术语提取任务提取评价对象和态度描述语,利用双通道跨度剪枝策略筛选得到对象和态度描述语候选池;最后,结合候选池中的对象和态度描述语计算得到态度极性结果。[结果/结论]以美国国务院新闻文本为实验数据进行实验验证。实验结果表明:Span-ASTE在进行政府态度识别时具有一定优越性。相比于效果较好的对比模型,其精确率、召回率和F1值分别提升了约15.68%、19.37%和17.48%;在进行多对象态度识别时同样具有良好的性能表现;态度描述语可为态度极性的判断提供解释依据。[局限]政府态度识别效果还有待进一步提升,且数据规模较为有限,未来可尝试对数据集进行扩充。