2024
年
12
月，研究团队博士生孙洋的论文《
Multi-View Hierarchical Graph Neural Network for Argumentation Mining
》获
Cognitive Computation
期刊录用。
论辩挖掘（Argumentation Mining，AM）旨在从论辩文本中检测出论点及其之间的关系。通常，AM包含三个关键的挑战性子任务，包括论点部件类型分类（Argument Component Type Classification，ACTC）、论辩关系识别（Argumentative Relation Identification，ARI）和论辩关系类型分类（Argumentative Relation Type Classification，ARTC）。大多数现有的研究将这三个子任务分别解决，忽视了这三者之间丰富的相互关系信息。本文提出了一种多视图层次图神经网络（Multi-view Hierarchical Graph Neural Network，MHGNN）用于论辩挖掘，旨在通过统一的多任务学习框架解决这三个相互关联的子任务。具体而言，MHGNN从多个视图（即词级视图和语义级视图）学习图嵌入，这些视图通常提供更加全面的信息。每个层次论辩图都配备了两级图结构：（i）第一层是论辩图，其中每个论辩部件（Argument Component，AC）作为图节点，学习输入文本中的AC之间的相互知识；（ii）第二层是AC图，其中每个单词或语义角色分别作为图节点，分别从词级视图或语义级视图中学习每个AC内部的细粒度知识。多视图层次图神经网络使得我们的模型更加有效地利用输入文本中AC之间及AC内部的丰富信息。接着，将ACTC、ARI和ARTC分别转化为论辩图上的节点分类、边预测和边类型分类任务，通过设计新的图注意力机制来学习全面且具有关系感知的图嵌入。通过多任务学习和部分参数共享，这三个论辩挖掘子任务被集成到一个统一的模型中。在两个基准数据集上的大量实验结果表明，本文所提出的MHGNN框架在所有三个子任务上均优于强基线方法。
Cognitive Computation是人工智能领域的国际性期刊，影响因子4.3，JCR Q1期刊，在中科院学术推荐列表中为三区期刊。
论文信息：
Yang Sun, Jianzhu Bao, Geng Tu, Bin Liang, Min Yang*, Ruifeng Xu*. Multi-view Hierarchical Graph Neural Network for Argumentation Mining. Cognitive Computation. 17. Article 31. 2025 （SCI IF 4.3，JCR 1区）
https://link.springer.com/article/10.1007/s12559-024-10391-0
|
