[论文解读] A Speech Act Classifier for Persian Texts and its Application in Identifying Rumors

Zoleikha Jahanbakhsh-Nagadeh, Mohammad‐Reza Feizi‐Derakhshi+1 more|arXiv (Cornell University)|Jan 12, 2019

Topic Modeling参考文献 24被引用 7

一句话总结

该论文提出了一种基于词典的统计方法，利用词汇、句法、语义和表层特征对波斯语言语行为进行七类分类，通过WordNet增强同义词识别与特征丰富度。在多种分类器上进行评估，该方法使用随机森林（Random Forest）和SVM（支持向量机）实现了95%的准确率，并将此框架应用于识别波斯语谣言中普遍存在的言语行为类型，主要包括叙述、疑问、威胁和请求类。

ABSTRACT

Speech Acts (SAs) are one of the important areas of pragmatics, which give us a better understanding of the state of mind of the people and convey an intended language function. Knowledge of the SA of a text can be helpful in analyzing that text in natural language processing applications. This study presents a dictionary-based statistical technique for Persian SA recognition. The proposed technique classifies a text into seven classes of SA based on four criteria: lexical, syntactic, semantic, and surface features. WordNet as the tool for extracting synonym and enriching features dictionary is utilized. To evaluate the proposed technique, we utilized four classification methods including Random Forest (RF), Support Vector Machine (SVM), Naive Bayes (NB), and K-Nearest Neighbors (KNN). The experimental results demonstrate that the proposed method using RF and SVM as the best classifiers achieved a state-of-the-art performance with an accuracy of 0.95 for classification of Persian SAs. Our original vision of this work is introducing an application of SA recognition on social media content, especially the common SA in rumors. Therefore, the proposed system utilized to determine the common SAs in rumors. The results showed that Persian rumors are often expressed in three SA classes including narrative, question, and threat, and in some cases with the request SA.

研究动机与目标

• 开发一种可靠的波斯语文本言语行为分类系统，以应对波斯语语用学自然语言处理工具匮乏的问题。
• 探究言语行为在波斯语社交媒体谣言结构与传播中的作用。
• 评估多种机器学习分类器在基于丰富特征的词典化方法下对波斯语言语行为识别的性能表现。
• 识别波斯语谣言中最常见的言语行为类型，以支持自动谣言检测与分析。

提出的方法

• 该方法采用基于词典的统计方法，将波斯语文本分类为七类言语行为：断言、指令、承诺、表达、宣告、疑问和请求。
• 整合四类特征：词汇特征（词频与分布）、句法特征（句子结构模式）、语义特征（通过WordNet实现同义词识别与词义关系）以及表层特征（标点符号、大小写和长度）。
• 利用WordNet扩展特征词典，通过识别同义词并扩展关键术语的语义覆盖范围。
• 评估了四种分类器（随机森林（RF）、支持向量机（SVM）、朴素贝叶斯（NB）和K近邻（KNN））在标注数据集上的性能表现。
• 系统在人工标注的波斯语语料库上进行训练与测试，特征工程聚焦于最大化言语行为区分的判别能力。
• 最终模型选择表现最佳的分类器（RF和SVM）用于在谣言分析应用中部署。

实验结果

研究问题

• RQ1 在波斯语社交媒体谣言中，哪些言语行为类型最为普遍？
• RQ2 基于词典的统计方法在对七种类别的波斯语言语行为进行分类时效果如何？
• RQ3 在所提出的特征集下，四种机器学习分类器（RF、SVM、NB、KNN）中哪一个在波斯语言语行为分类任务中表现最佳？
• RQ4 言语行为分类能否提升对波斯语在线内容中谣言的检测与理解能力？

主要发现

• 所提出的言语行为分类器在使用随机森林（Random Forest）和SVM作为基础分类器时，达到了95%的最先进准确率。
• 随机森林和SVM在性能上优于朴素贝叶斯和K近邻分类器，表现出对波斯语文本复杂特征的强鲁棒性。
• 在波斯语谣言中，叙述、疑问、威胁和请求类言语行为最为常见，表明其在误导信息传播中具有结构性作用。
• WordNet的集成显著提升了特征丰富度，并通过捕捉语义关系改善了分类性能。
• 即使缺乏大规模标注训练数据，基于词典的方法依然表现有效，适用于波斯语等低资源语言。
• 结果证实，言语行为分析可作为波斯语社交媒体自动谣言检测系统中的重要信号。