崔丁潔，徐 冰

（哈爾濱工業(yè)大學 計算學部，哈爾濱 150001）

0 引言

隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)用戶的溝通方式發(fā)生了明顯變化，越來越多的用戶喜歡通過網(wǎng)絡(luò)論壇、博客、微博、社交網(wǎng)站等網(wǎng)絡(luò)平臺瀏覽、發(fā)布和轉(zhuǎn)發(fā)消息，以此與其他用戶進行交流。網(wǎng)絡(luò)上出現(xiàn)了越來越多用戶生成的內(nèi)容，逐漸形成了草根創(chuàng)作、廣泛參與、多元互動的網(wǎng)絡(luò)傳播新局面。這不僅拓展了文化產(chǎn)品生產(chǎn)、傳播的深度和廣度，也為主流價值觀傳播提供了新的路徑。

主流價值觀是國家文化軟實力的重要體現(xiàn)，其傳播的廣度和踐行的深度直接影響著國家意識形態(tài)安全和社會穩(wěn)定。因此，傳播主流價值觀是中國各大媒體需要承擔的責任與義務(wù)。

然而，用戶生成內(nèi)容良莠不齊、信息過載等現(xiàn)象，為主流價值觀的傳播帶來了挑戰(zhàn)。如何承擔社會責任，傳播積極向上的主流價值觀，營造良好的網(wǎng)絡(luò)輿論氛圍，成為國家和社交媒體平臺共同關(guān)注的問題。

面向主流價值觀的文本質(zhì)量評價任務(wù)需要對文本質(zhì)量從正能量、主流價值觀等角度進行定義。將其定義為一個五分類問題，即將面向主流價值觀的文本質(zhì)量劃分為1～5 個等級。這一研究和文本的情感分類存在差別，積極的情感并不一定代表正能量的價值觀。如：某明星發(fā)帖稱‘日本血統(tǒng)真的好酷，穿和服走在雪里感覺好高貴！’，這一帖子表達的情感是積極的，但卻明顯不符合‘愛國’這一社會主義核心價值觀。

龐大的用戶生成內(nèi)容是新時代的產(chǎn)物，但也承擔著一定的社會責任，以正能量作品暖人心、聚民心。通過主流價值觀來駕馭算法，減少泛娛樂化、低俗類內(nèi)容傳播，增加符合社會主義核心價值觀的內(nèi)容，讓算法服務(wù)于主流價值導(dǎo)向。

1 相關(guān)工作

面向主流價值觀的文本質(zhì)量評價是一個全新的任務(wù)，同時也是一個富有新時代中國特色的任務(wù)。除了缺乏統(tǒng)一技術(shù)框架之外，如何獲取大規(guī)模的域內(nèi)數(shù)據(jù)、如何標注數(shù)據(jù)，以及如何利用未標注數(shù)據(jù)也是文本質(zhì)量評價任務(wù)一大難點。因此，這一任務(wù)主要與文本增強和半監(jiān)督學習兩個研究方向存在重合。

1.1 文本增強研究現(xiàn)狀

文本增強主要分為無條件增強和條件增強兩種方法。

1.1.1 無條件增強方法

由于不需要強制引入標簽信息，無條件增強方法既可以對標注數(shù)據(jù)進行增強，又可以針對無標注數(shù)據(jù)進行增強。主要包括詞匯／短語替換、隨機噪音注入和混合交叉方法。在對標注數(shù)據(jù)進行增強后，不會改變數(shù)據(jù)的標簽，但可能會造成文本主旨發(fā)生變化，帶來一定的噪音。

對于詞匯／短語的替換方法：文獻［1］提出基于詞典從文本中選擇詞匯或短語進行同義詞替換；文獻［2］基于詞向量在嵌入空間中找尋相鄰詞匯進行替換；文獻［3］根據(jù)TF-IDF 分值，對非核心詞進行替換。

對于隨機噪音注入方法：文獻［3］根據(jù)Unigram 詞頻分布進行采樣，從而隨機插入一個詞匯；文獻［1］除了進行同義詞替換外，同時采用上述隨機插入詞匯、隨機交換詞匯或交換句子、隨機刪除詞匯或句子等隨機注入噪音。文獻［4］提出了一種應(yīng)用于圖像領(lǐng)域的表示增強方法（Mixup）。借鑒Mixup 的思想，文 獻［5］提出了wordMixup 和sentMixup，將詞向量和句向量進行混合；文獻［6］利用交叉增強方法將相同極性的文本進行交叉。

此外，回譯也是一種應(yīng)用非常廣泛的無條件增強方法。該方法基于機器翻譯技術(shù)，文獻［3］中就采用了回譯技術(shù)進行數(shù)據(jù)增強。此外，對抗訓練方法對模型魯棒性的提升也是基于數(shù)據(jù)增強原理的。但是不同于CV 領(lǐng)域GAN 生成對抗進行數(shù)據(jù)增強［7］，NLP 中通常在詞向量上添加擾動并進行對抗訓練。

1.1.2 條件增強方法

條件增強方法需要強制引入“文本標簽”信息到模型中，再產(chǎn)生數(shù)據(jù)。隨著BERT 等預(yù)訓練語言模型在NLP 領(lǐng)域取得巨大成功，近來許多研究者對預(yù)訓練語言模型用做文本增強進行了有益嘗試。

文獻［8］利用條件變分自編碼模型進行增強。文獻［9］基于LSTM 進行雙向語言模型預(yù)訓練，將標簽信息融入網(wǎng)絡(luò)結(jié)構(gòu)進行微調(diào)，使替換生成的詞匯與標簽信息兼容一致。在此基礎(chǔ)之上，文獻［10］基于BERT 進行微調(diào)，將段嵌入轉(zhuǎn)換為融入標簽指示的標簽嵌入。文獻［11］基于GPT-2 將標簽信息與原始文本拼接，當作訓練數(shù)據(jù)進行微調(diào)，同時采用一個判別器，對生成數(shù)據(jù)進行了過濾降噪。

1.2 半監(jiān)督學習研究現(xiàn)狀

半監(jiān)督學習方法是指利用少量標注數(shù)據(jù)和大量無標注數(shù)據(jù)進行學習。相關(guān)研究主要著力于如何針對未標注數(shù)據(jù)構(gòu)建無監(jiān)督信號，與監(jiān)督學習聯(lián)合建模。簡單來說，就是如何在損失函數(shù)中添加針對未標注數(shù)據(jù)相關(guān)的正則項，使模型能夠充分利用大量的未標注數(shù)據(jù)不斷迭代，最終增強泛化性能。半監(jiān)督學習方法主要有熵最小化和一致性正則兩種方法。

文獻［12］提出Π-Model 和 時間集成（Temporal Ensembling）。Π-Model 對無標注數(shù)據(jù)輸入進行兩次不同的隨機數(shù)據(jù)增強，并通過不同dropout 輸出得到結(jié)果，引入一致性正則到損失函數(shù)中。時間集成采用時序融合模型，避免同一個訓練步進行兩次前向計算，從而提高訓練速度。文獻［13］提出的Mean Teacher 模型認為采用在訓練步驟上的平均模型會比直接使用單一模型權(quán)重更精確，于是對時間集成方法進行改進，對模型參數(shù)而不是預(yù)測結(jié)果進行平均。文獻［14］提出的虛擬對抗訓練（Virtual Adversarial Training，VAT）仍然采用一致性正則，采取對抗訓練的方式添加噪音，不同于傳統(tǒng)的有監(jiān)督學習下的對抗訓練，其沒有標簽信息，而是構(gòu)建一個虛擬標簽，并根據(jù)這個虛擬標簽計算對抗擾動方向。Google 在文獻［3］中提出了無監(jiān)督數(shù)據(jù)增強方法（Unsupervised Data Augmentation，UDA），也采用一致性正則，同時結(jié)合了熵最小化正則：對無監(jiān)督信號構(gòu)建人工標簽，使其趨近于One-Hot 分布。此外，還直接計算了熵損失。將人工標簽與增強后的預(yù)測標簽共同構(gòu)建一致性正則，并計算損失時采用基于置信度的訓練信號退火（TSA）方法防止對標注數(shù)據(jù)過擬合。

MixMatch［15］同樣來自Google，與UDA 類似，同樣結(jié)合了熵最小化和一致性正則。對標注數(shù)據(jù)進行一次增強，對于未標注數(shù)據(jù)作K次弱增強輸入模型得到average 后的概率。并將無標注數(shù)據(jù)得到的人工標簽與標注數(shù)據(jù)混合在一起并進行MixUp［16］操作，進而得到增強后的無標注數(shù)據(jù)以及標注數(shù)據(jù)。ReMixMatch［17］是MixMatch 原作者對自己工作的改進，一方面進行了分布對齊，另一方面，引入強增強，將弱增強后的人工標簽與強增強后的預(yù)測標簽共同構(gòu)建一致性正則。FixMatch［18］結(jié)合了UDA和ReMixMatch，舍棄了sharpen 操作和UDA 的訓練信號退火、ReMixMatch 的分布對齊和旋轉(zhuǎn)損失等，直接利用Pseudo-Label 構(gòu)建人工標簽。

以上方法大多引入了一致性正則，其關(guān)鍵在于如何注入噪聲，一個好的模型對于輸入擾動的任何細微變化也都應(yīng)具有魯棒性。所以半監(jiān)督學習經(jīng)常和文本增強方法結(jié)合。半監(jiān)督學習方法能充分挖掘未標注數(shù)據(jù)中潛在的價值，最終增強泛化性能。在少樣本場景下甚至可以比肩充分樣本下的監(jiān)督學習模型性能，而在充分樣本場景下，性能仍然繼續(xù)提升。

2 基于無監(jiān)督數(shù)據(jù)增強框架的文本質(zhì)量評價方法

2.1 模型結(jié)構(gòu)

模型的整體框架來源于UDA，其結(jié)構(gòu)如圖1 所示：

圖1 UDA 模型結(jié)構(gòu)Fig.1 UDA model structure

圖中：M 表示一個模型，可以在給定x的條件下預(yù)測y的分布。本文采用BERT-base。

UDA 模型的輸入包括有標簽數(shù)據(jù)和無標簽數(shù)據(jù)。對于帶有標簽的數(shù)據(jù)，模型M 可以得到其預(yù)測的標簽分布；對于無標簽數(shù)據(jù)，采用反向翻譯方法進行數(shù)據(jù)增強，x＇表示經(jīng)數(shù)據(jù)增強的無標簽數(shù)據(jù)。

模型的總損失＝標簽數(shù)據(jù)的交叉熵損失（Cross-entropy loss）（有監(jiān)督）+λ?無標簽數(shù)據(jù)的一致性損失（無監(jiān)督）?？倱p失公式如式（1）：

其中，q（x＇|x）表示數(shù)據(jù)增強變換，x＇由x經(jīng)數(shù)據(jù)增強得到；θ是模型參數(shù)；是θ的復(fù)制。

由于實驗數(shù)據(jù)集存在嚴重的不平衡問題，在實驗中采用Focal loss 代替上文中的Cross-entropy loss，F(xiàn)ocal loss 通過改變正類、負類的權(quán)重，使其能應(yīng)用于不平衡的分類中，如式（2）：

其中，αc表示第c類樣本的權(quán)重，pθ（y|x）c表示第c類樣本的概率值。

2.2 數(shù)據(jù)集構(gòu)建

2.2.1 獲取數(shù)據(jù)集

基于scrapy 框架，自主開發(fā)爬蟲工具，在人民網(wǎng)強國論壇板塊下爬取1 887條評論數(shù)據(jù)，部分評論數(shù)據(jù)見表1。

表1 人民網(wǎng)數(shù)據(jù)集示例Tab.1 Examples of people's daily online dataset

由于爬蟲獲取的公開數(shù)據(jù)都是符合主流價值觀的，而本文的研究工作需要獲取反例，即不符合主流價值觀的數(shù)據(jù)。經(jīng)調(diào)研，采用SemEval 2019 Task 6攻擊性語言檢測數(shù)據(jù)集（Offensive Language Identification Dataset，OLID）。該數(shù)據(jù)集收集了14 120條推特，并對有無攻擊性進行了標注。部分數(shù)據(jù)見表2，數(shù)據(jù)集統(tǒng)計信息見表3。

表2 OLID 數(shù)據(jù)集示例Tab.2 Examples of OLID datasets

表3 OLID 數(shù)據(jù)集統(tǒng)計信息Tab.3 OLID dataset statistics

從OLID 數(shù)據(jù)集中隨機選擇2 500 條攻擊性數(shù)據(jù)與613 條非攻擊性數(shù)據(jù)，并將其翻譯成中文，再結(jié)合爬取的人民網(wǎng)評論，構(gòu)成最終數(shù)據(jù)集。數(shù)據(jù)集統(tǒng)計信息見表4。

2.2.2 數(shù)據(jù)集的人工標注

數(shù)據(jù)標注的標準見表5。

表5 數(shù)據(jù)集標注標準Tab.5 Data set labeling standards

從表中可以看出，本文面向主流價值觀的文本質(zhì)量評價研究和情感分析存在明顯差別。如：例（2）、例（4）雖然表達了積極的情感，但卻是負能量的價值觀；例（8）雖然表達了消極情感，但卻是正能量的價值觀。

從收集的數(shù)據(jù)中選取585 條數(shù)據(jù)作為種子進行人工標注，標注后的初始數(shù)據(jù)分布見表6。

表6 初始數(shù)據(jù)集統(tǒng)計信息Tab.6 Initial dataset statistics

為了統(tǒng)一不同人標注帶來的主觀性和誤差，采用十折交叉驗證進行數(shù)據(jù)糾錯。糾錯后的數(shù)據(jù)分布見表7。

表7 糾錯后數(shù)據(jù)集統(tǒng)計信息Tab.7 Dataset statistics after error correction

2.2.3 基于自訓練的數(shù)據(jù)集自動標注

利用以上人工標注數(shù)據(jù)作為訓練集，基于selftraining 對其余數(shù)據(jù)進行自動標注。實現(xiàn)過程如下：

根據(jù)觀察，選取0.7 作為置信度閾值，基于BERT 進行數(shù)據(jù)迭代標注。針對數(shù)據(jù)集嚴重不平衡的問題，分別采用Focal loss 和重采樣方案，將3 個模型標注結(jié)果有差異的并集，由人工進行再標注，最終得到的數(shù)據(jù)集分布見表8。

表8 最終數(shù)據(jù)集統(tǒng)計信息Tab.8 Final dataset statistics

2.3 基于檢索的數(shù)據(jù)集擴充方法

半監(jiān)督學習方法需要獲取大規(guī)模的域內(nèi)數(shù)據(jù)。然而，在許多場景下收集大規(guī)模域內(nèi)數(shù)據(jù)非常困難。為了解決這一問題，采用檢索的方法進行域內(nèi)數(shù)據(jù)的擴充。

利用句子編碼器對數(shù)據(jù)集中的句子進行編碼，得到其向量表示，將每一條數(shù)據(jù)的向量表示作為檢索向量，在大規(guī)模語料庫中進行檢索，以得到相似的句子。為保證檢索到的句子可以作為域內(nèi)數(shù)據(jù)，從而減少通用語料對下游特定任務(wù)的噪聲干擾，每次檢索只抽取Top-K個句子，并且對抽取的句子需滿足能取得較高的置信度。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集

采用本文2.2 節(jié)構(gòu)建的數(shù)據(jù)集，其中訓練集包含3 956條數(shù)據(jù)，測試集包含441 條數(shù)據(jù)。另外，為了構(gòu)建大規(guī)模檢索庫，本文收集了9 個來源于微博的數(shù)據(jù)集，其中包括公開的數(shù)據(jù)集Weibosenti100k，以及來自人民網(wǎng)數(shù)據(jù)平臺的數(shù)據(jù)集：新浪微博數(shù)據(jù)集_鳳凰周刊_202110-11、新浪微博數(shù)據(jù)集_頭條新聞_202110-11、新浪微博數(shù)據(jù)集_環(huán)球時報_202110-11等。將以上數(shù)據(jù)集進行清洗和去重，共獲得1 905 039條數(shù)據(jù)，采用上述數(shù)據(jù)擴充方法，共檢索得到6 331條數(shù)據(jù)。部分數(shù)據(jù)見表9。

表9 檢索得到的部分數(shù)據(jù)及其匹配分數(shù)Tab.9 Some of the retrieved data and their matching scores

從表中例子可以看出，檢索到的擴充數(shù)據(jù)和原數(shù)據(jù)在語義上存在明顯的相似性。如：第三條，原數(shù)據(jù)和擴充數(shù)據(jù)都和抗疫相關(guān)。另外，擴充得到的數(shù)據(jù)和原數(shù)據(jù)的主流價值觀質(zhì)量標簽也是相似的。于是，除了無監(jiān)督的數(shù)據(jù)增強方法，本文也嘗試將query 的標簽賦予檢索得到的數(shù)據(jù)，進行有監(jiān)督的數(shù)據(jù)增強。

3.2 實驗設(shè)置

3.2.1 面向主流價值觀的文本質(zhì)量評價實驗設(shè)置

回歸層的dropout rate 為0.1。訓練過程采用AdaGrad，初始學習率為1-10，在訓練過程中預(yù)熱學習率以加速模型收斂。Focal loss 中，將γ值設(shè)置為2。由于顯卡內(nèi)存所限，帶標簽數(shù)據(jù)的batch size 取16或者32 中較好的結(jié)果，無標簽數(shù)據(jù)的batch size 隨兩種數(shù)據(jù)的比例變化而變化。實驗結(jié)果通過準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值進行評估。

3.2.2 數(shù)據(jù)集擴充實驗設(shè)置

由于構(gòu)建的檢索庫較大，直接檢索非常耗時，于是數(shù)據(jù)集擴充實驗基于ANYQ 框架進行。對ANYQ框架源代碼進行改寫，只保留問題分析和檢索模塊。以全部訓練集作為query，對query 和檢索庫均基于百度開源的LAC2 分詞工具進行分詞，對檢索庫添加基于PaddleSimAdapter 的語義表示模型，配置SimNet 語義檢索。每次檢索只抽取Top-10 個句子，同時滿足置信度＞0.7。

3.3 結(jié)果分析

為了驗證本文提出的數(shù)據(jù)增強方法的性能，選擇如下幾種模型并設(shè)計了相應(yīng)內(nèi)容進行對比實驗，實驗結(jié)果見表10。

表10 主要實驗結(jié)果對比Tab.10 Main results

其中：BERT 模型僅使用帶標簽的訓練集，將文本作為BERT 的輸入，將［CLS］對應(yīng)位置的輸出作為評論表示輸入分類層中，優(yōu)化Focal loss 損失。BERT_DA 模型在基于檢索的數(shù)據(jù)集擴充方法中，將每一條訓練數(shù)據(jù)作為查詢條件進行檢索，將query的標簽賦予檢索得到的數(shù)據(jù)，從而進行有監(jiān)督的數(shù)據(jù)增強。BERT+無標簽數(shù)據(jù)模型增加無標簽訓練集（6 331 條）作為輸入，并對無標簽數(shù)據(jù)應(yīng)用熵最小化損失，從而達到數(shù)據(jù)增強效果。BERT_UDA 模型即本文提出的方法。

由表中數(shù)據(jù)可見：在本文構(gòu)建并標注的訓練集上，其BERT_UDA 方法在準確率、精確率、F1 值3個指標上都超過了BERT。與一般的無監(jiān)督數(shù)據(jù)增強方法（BERT+無標簽數(shù)據(jù)）相比，BERT_UDA 在F1 值上提高1.22%，表明了本文采用數(shù)據(jù)增強方法的有效性。其次，雖然BERT_UDA 相比BERT 的F1 值提升了0.55%，但效果并不明顯，可能是構(gòu)建的檢索庫不夠大所致（獲取到的無監(jiān)督擴充數(shù)據(jù)數(shù)量僅為原數(shù)據(jù)的1.6 倍）。BERT+無標簽數(shù)據(jù)與BERT 相比，準確率有所提升，但F1 值卻有所下降；BERT_DA 相比BERT 在各項評估指標上都有明顯下降。究其原因可能是因為引入了大量噪音，這表明數(shù)據(jù)增強也有可能會降低模型的性能。

3.4 無監(jiān)督損失函數(shù)權(quán)重分析

為了驗證總損失中無監(jiān)督損失函數(shù)的權(quán)重λ對實驗結(jié)果的影響，選取λ ＝｛0，0.5，0.7，1｝ 進行實驗。實驗結(jié)果見表11。

實驗結(jié)果表明，當λ取0.5 時，F(xiàn)1 值最高。

3.5 無監(jiān)督數(shù)據(jù)增強框架有效性分析

在不使用擴充數(shù)據(jù)集的情況下，僅在訓練集中隨機選取一部分數(shù)據(jù)作為標注數(shù)據(jù)，其余作為未標注數(shù)據(jù)。在損失函數(shù)中，將無標簽數(shù)據(jù)的一致性損失函數(shù)權(quán)重設(shè)置為1。實驗結(jié)果見表12。

表12 F1 值實驗結(jié)果Tab.12 Results of F1 value

由表中數(shù)據(jù)可見：BERT 和BERT_UDA 的分類效果隨著帶標簽數(shù)據(jù)比例的增大而提高，且在任何比例的帶標簽數(shù)據(jù)中，BERT_UDA 的表現(xiàn)均優(yōu)于BERT。由此表明，BERT_UDA 可以從無標簽數(shù)據(jù)中學到知識，尤其在僅僅使用10%的訓練數(shù)據(jù)（396條）時，BERT_UDA 的提升達到4.77%。

3.6 基于檢索的數(shù)據(jù)集擴充方法有效性分析

分別采用原數(shù)據(jù)和檢索得到的數(shù)據(jù)基于BERT_UDA進行實驗，對數(shù)據(jù)集擴充的有效性進行分析，各實驗所用模型和數(shù)據(jù)集見表13。

實驗結(jié)果如圖2 所示。由此可見，在擴充數(shù)據(jù)集時，采用相同數(shù)量的原數(shù)據(jù)集和檢索得到的數(shù)據(jù)集的F1 值幾乎相同，表明了基于檢索的數(shù)據(jù)集擴充方法的有效性；另外，基于BERT 的模型大約從第二個epoch 開始收斂，而基于BERT_UDA 的模型，大約在第12 個epochF1 值才穩(wěn)定下來。由于訓練集比較小，訓練過程中模型會很快過擬合于訓練數(shù)據(jù)，但在測試數(shù)據(jù)上卻表現(xiàn)欠佳。BERT_UDA 之所以能提高模型的表現(xiàn)，可能是因為增加的無標簽數(shù)據(jù)延緩了模型的收斂。

圖2 訓練過程中測試集F1 值隨訓練輪次變化曲線Fig.2 F1 value of the test set changes with the training rounds during the training process

4 結(jié)束語

本文針對面向主流價值觀的文本質(zhì)量評價任務(wù)，依據(jù)主流價值觀對文本質(zhì)量進行定義，自主爬取和構(gòu)建了一個面向主流價值觀的文本質(zhì)量評價數(shù)據(jù)集。為了緩解人工標注數(shù)據(jù)的壓力，以及解決域內(nèi)數(shù)據(jù)獲取困難的問題，本文提出了基于無監(jiān)督數(shù)據(jù)增強框架的文本質(zhì)量評價方法，采用一致性框架，利用反向翻譯對文本進行增強。實驗證明，在數(shù)據(jù)量較小時，能顯著提升模型性能。另外，本文自主構(gòu)建了一個大規(guī)模中文微博檢索庫，并基于該檢索庫對構(gòu)建的數(shù)據(jù)集進行擴充，加入擴充數(shù)據(jù)后，模型在F1 值上提高1.22%。對于未來的工作，一方面是收集更多域內(nèi)數(shù)據(jù)，或者構(gòu)建更大規(guī)模的中文檢索庫；另一方面是構(gòu)建主流價值觀的表示，思考將主流價值觀以知識的形式融入模型的新方法。