面向关键词预测的动态对比表示增强方法

摘要

关键词预测通常难以充分利用文本结构中的复杂层次和语义信息,针对该问题,提出了一种新型语义表示增强的关键词预测方法(ACL-KP),即利用动态对比学习增强关键词预测。该方法首先通过引入自适应权重机制,动态调整样本权重,解决在对比学习过程中难以区分真实样本与噪声样本的问题,减少误识别噪声样本的影响,优化空间表示。此外,为了提高训练数据的多样性,引入高斯白噪声,自动生成一些具有挑战性的虚拟样本,从而增强文档和关键词的语义表示。在关键词预测领域的多个公开数据集上进行的实验结果表明:模型在F1@5和F1@M指标上相较于当前先进模型提升了2%～17%,与序列到序列模型和统一模型相比,展现出了更显著的性能优势。

关键词

自然语言处理 / 关键词预测 / 多目标优化 / 对比学习 / 嵌入表示