公开(公告)号：CN115758159B

公开(公告)日：2023-07-21

申请号：CN202211517007.1

申请日：2022-11-29

Applicant: 东北林业大学

Inventor： 李洋 ,  袁嘉伟

IPC: G06F18/214 ,  G06F18/21 ,  G06N3/0475 ,  G06N3/094

Abstract: 基于混合对比学习和生成式数据增强的零样本文本立场检测方法，本发明涉及零样本文本立场检测方法。本发明的目的是为了解决在结构化数据生成文本上，现有模型对表格数据进行建模时，没有考虑数据之间的内在隐含关系，导致文本生成准确率低的问题。过程为：一、获取可见类样本数据和不可见类样本数据；可见类样本数据和不可见类样本数据均为带标签数据；可见类样本数据和不可见类样本数据的目标不同；可见类样本数据作为训练集；不可见类样本数据作为测试集；训练集和测试集包括目标、立场、真实文本；二、建立GDA‑CL模型，模型包括：文本生成层、对比学习层、立场分类层。本发明用于人工智能、自然语言处理、文本生成技术领域。

公开(公告)号：CN115758159A

公开(公告)日：2023-03-07

申请号：CN202211517007.1

申请日：2022-11-29

Applicant: 东北林业大学

Inventor： 李洋 ,  袁嘉伟

IPC: G06F18/214 ,  G06F18/21 ,  G06N3/0475 ,  G06N3/094

Abstract: 基于混合对比学习和生成式数据增强的零样本文本立场检测方法，本发明涉及零样本文本立场检测方法。本发明的目的是为了解决在结构化数据生成文本上，现有模型对表格数据进行建模时，没有考虑数据之间的内在隐含关系，导致文本生成准确率低的问题。过程为：一、获取可见类样本数据和不可见类样本数据；可见类样本数据和不可见类样本数据均为带标签数据；可见类样本数据和不可见类样本数据的目标不同；可见类样本数据作为训练集；不可见类样本数据作为测试集；训练集和测试集包括目标、立场、真实文本；二、建立GDA‑CL模型，模型包括：文本生成层、对比学习层、立场分类层。本发明用于人工智能、自然语言处理、文本生成技术领域。