佘祥榮

關(guān)鍵詞： 事件分類; 事件分撥; 圖卷積網(wǎng)絡(luò); RoBERTa; 多模態(tài)融合

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2023）20-0028-03

0 引言

政務(wù)服務(wù)熱線是指各地市人民政府設(shè)立的由電話12345、市長信箱、手機(jī)短信、手機(jī)客戶端、微博、微信等方式組成的專門受理熱線事項的公共服務(wù)平臺，是政府聯(lián)通公眾的重要渠道。通過政務(wù)服務(wù)熱線，政府可以及時了解民生問題，為民排憂解難，從而有效化解社會矛盾[1]。政務(wù)服務(wù)熱線的事件分撥過程主要還依賴于人工處理，但熱線話務(wù)員常常無法深入了解每個部門的權(quán)力與職責(zé)，同時每天數(shù)以萬計的政務(wù)熱線事件需要被分配，人工處理的方式難以快速高效地完成事件分撥。因此，研究一種能夠準(zhǔn)確確定事件類型并對事件進(jìn)行相應(yīng)責(zé)任部門的自動分撥方法具有非常重要的意義。

利用自然語言處理技術(shù)理解政務(wù)熱線事件得到事件的表征信息是完成事件分類和分撥的核心，傳統(tǒng)的word2vec[2]、GloVe[3]等詞表形式的詞嵌入方法，僅能考慮文本自身的信息，難以處理文本在不同環(huán)境下存在一詞多義的情況。CNN[4]或RNN[5]等模型由于其自身結(jié)構(gòu)原因?qū)ξ谋拘畔⒌奶崛〈嬖诰窒扌?，而基于大?guī)模文本數(shù)據(jù)訓(xùn)練的語言模型（BERT[6]， XLNet[7]， Ro?BERTa[8]等）可以有效解決這類問題。但語言模型對文本的輸入長度有一定的限制，在處理長文本事件時會截斷事件文本，從而導(dǎo)致丟失文本信息的問題，而構(gòu)建整個文本的圖結(jié)構(gòu)并應(yīng)用GCN[9]來提取文本的圖結(jié)構(gòu)信息的方式可以有效解決文本過長的問題。注意力（Attention）機(jī)制[10]可以有效地對齊不同模態(tài)的事件信息，以提升事件分類的準(zhǔn)確性。此外，將結(jié)合“三定”職責(zé)“（ 三定”包含了機(jī)構(gòu)規(guī)格、主要職責(zé)、內(nèi)設(shè)機(jī)構(gòu)及其具體職責(zé)、人員編制和領(lǐng)導(dǎo)職數(shù)等方面內(nèi)容）的事件多模態(tài)信息進(jìn)行融合，可以為事件分撥提供先驗(yàn)知識，以提高事件分撥的準(zhǔn)確性?；诖?，本文提出了一種基于多模態(tài)融合的事件分撥和分類聯(lián)合模型方法，可以通過圖計算和語言模型有效解決事件文本長短不一、要素不清的問題，并采用多模態(tài)融合的方式完成事件文本分類和事件分撥任務(wù)。

1 模型結(jié)構(gòu)

本文提出了一種針對政府熱線的事件分類與分撥的聯(lián)合學(xué)習(xí)模型，該模型包括三個部分：基于GCN 和RoBERTa的事件分類模塊、基于軟投票的“三定”融合預(yù)測模塊和重排序模塊，模型整體結(jié)構(gòu)如圖1所示。

1.1 事件分類

基于圖結(jié)構(gòu)特征和文本特征融合的事件分類主要包括圖構(gòu)建、基于GCN 的圖特征提取、基于Ro?BERTa的上下文特征提取和基于特征融合的事件分類四個部分。

1.1.1 圖構(gòu)建

由于事件文本存在長短不一的問題，并且事件文本中的某些句子與事件本身的主題不相關(guān)。因此，本文采用事件文本的命名實(shí)體和關(guān)鍵詞作為事件的主題。由于命名實(shí)體識別和關(guān)鍵詞提取不是本文的重點(diǎn)，所以本文采用現(xiàn)有工具包來進(jìn)行命名實(shí)體識別和關(guān)鍵詞提取。具體圖構(gòu)建過程如下：

1） 對于給定的事件文本D，首先進(jìn)行分句處理并對事件文本進(jìn)行分詞和命名實(shí)體識別，同時應(yīng)用Tex?tRank等關(guān)鍵詞提取算法獲得額外的關(guān)鍵詞，以得到每個句子的節(jié)點(diǎn)詞集合{A}；

2） 對于事件的節(jié)點(diǎn)詞集合{A}中的元素i 和j，如果i、j 出現(xiàn)在同一個句子中，則它們之間存在關(guān)系，在它們之間添加一條邊；反之，元素i 和j 之間則不存在關(guān)系；

3） 將節(jié)點(diǎn)詞集合{A}中的相同詞進(jìn)行合并，以完成事件文本的關(guān)系圖構(gòu)建。

1.4 重排序模塊

對于一個給定的熱線事件，將所有的“三定”均與該事件進(jìn)行匹配并送入模型中，最終得到一個預(yù)測概率列表。由于一個部門包含多個“三定”職責(zé)，因此需要根據(jù)預(yù)測概率列表對分撥部門的匹配概率結(jié)果進(jìn)行重新排序，以獲取最優(yōu)的分撥部門。具體過程為：

1） 對每個部門對應(yīng)的“三定”職責(zé)預(yù)測概率進(jìn)行累加，并計算各部門概率均值作為該部門的預(yù)測概率。

2） 根據(jù)概率結(jié)果對所有部門進(jìn)行排序，選取Top-1部門作為最終分撥部門。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

本文數(shù)據(jù)集是基于蕪湖市政務(wù)服務(wù)熱線的真實(shí)事件分配案例構(gòu)建得到，包括“事件-部門”和“事件- 三定”兩部分?！笆录?部門”是基于政務(wù)熱線真實(shí)事件分撥處理結(jié)果構(gòu)建，包含30個市級部門對應(yīng)的3萬條事件數(shù)據(jù)?！笆录?三定”是由政務(wù)工作人員根據(jù)“事件-部門”數(shù)據(jù)中30 000條數(shù)據(jù)的實(shí)際處理結(jié)果標(biāo)注所得，包括30 000條正樣本（匹配）和采用隨機(jī)抽取的方式構(gòu)建的60 000條負(fù)樣本（不匹配）。數(shù)據(jù)集描述如表1所示。

2.2 實(shí)驗(yàn)設(shè)置

本文使用版本為1.7.1的PyTorch構(gòu)建網(wǎng)絡(luò)模型，實(shí)驗(yàn)環(huán)境的操作系統(tǒng)為Ubuntu 18.04 LTS，顯卡為NVIDIA GeForce GTX 3090。本文使用RoBERTa模型作為預(yù)訓(xùn)練語言模型對事件文本和“三定”文本進(jìn)行語義提取，RoBERTa的嵌入維數(shù)為768，詞匯量為30000，輸入序列長度為512；GCN嵌入大小設(shè)置為768；采用學(xué)習(xí)率為10e-5的Adam優(yōu)化器作為模型的優(yōu)化方法；采用批大小為16的分批對模型進(jìn)行訓(xùn)練。

2.3 事件分類實(shí)驗(yàn)結(jié)果

本文將所提出的模型與多種先進(jìn)的文本分類基線模型進(jìn)行對比，包括：HAN， TextGCN， XLNet， Bert?GCN。同時，采用傳統(tǒng)文本分類指標(biāo)Micro-F1 和Weighted-F1作為本文的評價指標(biāo)。

表2是不同事件文本分類方法的實(shí)驗(yàn)結(jié)果。結(jié)果表明，相比于其他基線模型，本文的聯(lián)合學(xué)習(xí)模型在事件分類任務(wù)上達(dá)到了最優(yōu)性能。HAN 模型采用BiLSTM網(wǎng)絡(luò)結(jié)合注意力機(jī)制提取文本上下文特征信息，但是對文本的局部特征提取較差，因此模型效果較差；而使用GCN網(wǎng)絡(luò)的TextGCN模型可以根據(jù)文本結(jié)構(gòu)圖有效提文本的圖結(jié)構(gòu)信息，可以有效緩解長文本帶來的網(wǎng)絡(luò)記憶丟失的問題，但GCN對文本本身的上下文語義信息提取能力較差；XLNet語言模型可以有效編碼文本上下文信息，但也對輸入文本長度存在限制，因此模型效果不如采用語言模型和GCN結(jié)合的BertGCN模型；本文使用RoBERTa語言模型結(jié)合GCN 的結(jié)構(gòu)，同時采用基于注意力機(jī)制的融合模型，以實(shí)現(xiàn)有效多模態(tài)特征信息的對齊，從而使模型具有最優(yōu)的分類效果。

2.4 事件分撥實(shí)驗(yàn)結(jié)果

為了評估分撥任務(wù)，本文將所提出的方法與以下先進(jìn)的事件分類任務(wù)基線方法進(jìn)行了比較，包括：Siamese-BiLSTM-based， ABCNN-based， BERT-BiGRU-based，ELECTRA-BiGRU-based。本文采用P@5、MAP、MRR、Precision、Recall和F1指標(biāo)來評價事件分撥的性能。

事件分撥對比實(shí)驗(yàn)結(jié)果如表3所示，由表3可知，本文方法在每個指標(biāo)的效果上，均優(yōu)于其他基線方法。相比于Siamese-BiLSTM-based 模型和ABCNNbased模型使用BiLSTM網(wǎng)絡(luò)以及CNN網(wǎng)絡(luò)作為特征提取的基礎(chǔ)網(wǎng)絡(luò)，采用語言模型作為特征提取網(wǎng)絡(luò)的模型可以有效地提取文本上下文語義信息，因此效果優(yōu)于Siamese-BiLSTM-based 和ABCNN-based 模型；BERT-BiGRU-based 模型和ELECTRA-BiGRU-based 模型采用不同的語言模型結(jié)合BiGRU網(wǎng)絡(luò)進(jìn)行事件分撥，因此模型效果較為相近，主要是由于語言模型對下游任務(wù)微調(diào)上存在的差距；而本文模型使用RoBERTa 語言模型和GCN網(wǎng)絡(luò)分別提取事件文本的上下文語義信息和文本的圖結(jié)構(gòu)信息，可以有效提取文本本身的語義信息并緩解事件文本長短不一的問題；同時，本文還使用了基于后期融合的方式對事件的圖結(jié)構(gòu)特征以及事件的上下文文本特征的預(yù)測結(jié)果進(jìn)行融合，從而可以有效提升模型的準(zhǔn)確性。因此，相較于其他基線模型，本文模型取得了最優(yōu)的分撥效果。

3 結(jié)論

本文提出了一種基于多模態(tài)融合的事件分類和事件分撥聯(lián)合學(xué)習(xí)模型，該模型使用圖計算和語言模型有效解決事件文本長短不一、要素不清等問題。模型首先通過構(gòu)建事件文本的文本結(jié)構(gòu)圖并使用GCN 獲取圖結(jié)構(gòu)特征；其次，使用RoBERTa語言模型提取事件文本的上下文語義特征；然后，使用注意力機(jī)制對融合事件文本圖結(jié)構(gòu)和上下文語義的多模態(tài)信息，并采用文本分類模型進(jìn)行事件分類；最后，采用后期融合的方式對事件的分撥部門進(jìn)行預(yù)測，并利用重排序模塊對部門預(yù)測結(jié)果進(jìn)行排序，輸出事件的最優(yōu)分配部門。事件分類和事件分撥的實(shí)驗(yàn)結(jié)果表明，相較于其他基線模型，本文提出模型在兩個任務(wù)上均具有更優(yōu)的性能。