基于对抗迁移学习模型的环境类虚假投诉检测

TP391; 为实现环境类虚假投诉举报检测,提出一种基于对抗迁移学习方法的虚假投诉举报检测模型.首先,以长短期记忆(long-short term memory,LSTM)网络为特征抽取器抽取微博谣言(源域)和投诉举报文本(目标域)的共享特征;然后,使用对抗学习方法进行领域适配,将源域特征和目标域特征进行特征对齐;最后,由分类器输出分类结果,并由分类损失和领域适配损失共同更新网络参数.通过模型对比实验和消融实验可知,模型的F1 达到了79.61%.结果表明,对抗迁移学习模型具有较好的性能,适合应用在环境类虚假投诉举报检测任务中....

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 49; no. 9; pp. 999 - 1006
Main Authors 范青武, 韩华政, 孙晓宁
Format Journal Article
LanguageChinese
Published 数字社区教育部工程研究中心,北京 100124 01.09.2023
北京工业大学信息学部,北京 100124
Subjects
generative adversarial network
transfer learning
deep learning
生成对抗网络
长短期记忆(long-short term memory,LSTM)网络
深度学习
complaints report
迁移学习
text classification
投诉举报
文本分类
long-short term memory(LSTM)networks
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2021110007

Cover

More Information
Summary:TP391; 为实现环境类虚假投诉举报检测,提出一种基于对抗迁移学习方法的虚假投诉举报检测模型.首先,以长短期记忆(long-short term memory,LSTM)网络为特征抽取器抽取微博谣言(源域)和投诉举报文本(目标域)的共享特征;然后,使用对抗学习方法进行领域适配,将源域特征和目标域特征进行特征对齐;最后,由分类器输出分类结果,并由分类损失和领域适配损失共同更新网络参数.通过模型对比实验和消融实验可知,模型的F1 达到了79.61%.结果表明,对抗迁移学习模型具有较好的性能,适合应用在环境类虚假投诉举报检测任务中.
ISSN:0254-0037
DOI:10.11936/bjutxb2021110007