ChineseCSCW2022(太原)会议,汇报来自复旦大学张光平同学,本篇文章为会议记录,如有侵权,请联系我删除‼️
目录
1.引言
2.背景
共线关系:无逻辑关系、同时出现、神经网络、预测意义;
雪狼和哈士奇;
啤酒和尿布;
3.模型结构
上述事例可以引出因果关系的重要性:
4.方法论
首先识别出三种结果,然后进行d分割:
举例:
挖掘:
由上图可得各级别生成器和各关系预测器;
词级别生成器Word-level Rationale Generator:词出现的概率,二进制化,筛选出最重要的单词;
评论级别生成器Review-level Rationale Generator:
因果关系预测器Rationale Predictor:
共线关系预测器Correlation Predictor:
文本形式的单词向量化处理;
5.预测和训练
模型优化,预测结果的均分误差作为损失函数;
如果一组特征作为rationale ,其他特征便无法对结果产生影响;
正则化项限制特征选择;
通过循环训练实现对抗学习。
6.实验