本文主要是介绍论文笔记 EMNLP 2020|Affective Event Classification with Discourse-enhanced Self-training，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 1 简介
- 1.2 创新
- 2 方法
- 3 实验
1 简介
论文题目：Affective Event Classification with Discourse-enhanced Self-training
论文来源：EMNLP 2020
论文链接：https://aclanthology.org/2020.emnlp-main.452.pdf
1.2 创新
- 提出了一个基于BERT的监督分类模型，用于情感事件识别。
- 提出了一种discourse-enhanced的自训练算法，迭代的标注数据。
2 方法
Affective Event Knowledge Base (AEKB)数据集包含571,000个英文事件短语，被标注为(positive, negative, or neutral)。本篇论文提出了一个新的情感事件数据集(来源于Twitter,人工标注1500个事件短语)，每个事件短语由4-tuple组成，<Agent, Predicate, Theme, Prepositional Phrase (PP)>。数据上在AEKB的覆盖范围和准确性如下：
提出的情感事件分类器使用 B E R T B A S E BERT_{BASE} BERTBASE，使用[CLS]连接全连接层进行分类。
通过自训练的方法，进一步提高分类的性能。在Twitter上获得数据，通过下面的格式启发式的识别情感表达，情感表达句子的上一句为事件。
首先通过MPQA lexicon中的形容词、名词获得上述格式的具体实例，然后下载包含这些实例的tweet，例子如下：
然后使用Twitter API进行短语匹配，获得更多的事件表达，使用PrefixSpan algorithm来计算所有单词子序列的频率。 对于每个事件元组，从包含事件元组中所有单词的 20 个最频繁子序列中创建查询。
然后迭代式的获得事件，第一步从 MPQA 词典创建情感查询并提取新的事件短语。 第二步创建事件查询并提取新的情感短语。
通过下面过程对未标注的事件进行打分(额外的情感分类器使用BERT模型，在SemEval-2017数据集上微调)，打分公式如下：
3 实验
基于BERT的情感事件分类器在blogs数据集上的效果如下：
提出的自训练的算法实验结果如下：
各个类别的实验结果如下：
不同标注数据量的实验结果如下：
错误分析：
这篇关于论文笔记 EMNLP 2020|Affective Event Classification with Discourse-enhanced Self-training的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
