基于多任务学习的同行评审细粒度情感分析模型

摘要

学术论文同行评审能够直接反映审稿人对论文的主观评价，对审稿文本进行情感分析有利于挖掘审稿人对论文多维度的评价信息。现有的情感分析模型仅能挖掘专家单一的评审维度和相应的情感倾向，本文提出了一种基于多任务学习的同行评审细粒度情感分析模型。该模型在多任务学习框架下，通过在BERT-LCF模型的基础上增加BiLSTM-CRF模块，使其具备了同时完成属性词抽取和细粒度情感分析任务的能力。与传统的基于Pipeline模式的单任务细粒度情感分析模型相比，本模型在保证精度的情况下可以同时完成评审属性提取和情感分析任务。在这两项任务中，所提出模型的F1分数分别达到了89.01%和90.71%。对比实验证明，在多任务场景下，引入BiLSTM-CRF模块对评审文本属性词提取任务有一定的提升作用。

关键词

同行评审 / 多任务学习 / 属性词抽取 / 细粒度情感分析 / BiLSTM-CRF