48、说服检测的计算方法

说服检测的计算方法

1. 现有方法评估

在说服检测的研究中，有多种计算方法被提出，但部分方法存在一定的局限性。

例如，有研究使用网格搜索来为模型寻找最优超参数设置，但使用卷积神经网络（CNN）捕获空间信息而非顺序信息的意图不明确，且文中声称单词间的空格蕴含隐藏含义、意图和情感，但缺乏相关文献支持。此外，该模型测试的数据量非常小，未描述标注过程，也未讨论其有效性。

在深度学习方法方面，有两种不同的途径值得关注：
- 图神经网络方法 ：通过构建以用户和推荐项目为节点、说服因素为边的图（仅在用户在某个说服因素下点击推荐项目时添加边），利用图卷积神经网络进行信息传播，学习说服因素的表示。不过，该方法假设说服因素是独立且可分离的，每个潜在变量仅负责数据中的一个生成因素，这使得结果在不同情境下的泛化性较差，且文中的说服因素仅适用于推荐系统，与之前提到的西奥迪尼模型无关。
- 微调方法 ：利用角色扮演视频游戏中的对话进行多语言说服检测。对特定语言的BERT模型和单多语言BERT进行微调，输入句子并预测其是否具有说服力。虽然简单微调BERT模型取得了令人满意的结果，但多语言BERT的性能低于单语言BERT模型，可能是因为单语言BERT的词汇外单词减少，便于微调。然而，该数据集由视频游戏开发者标注，其有效性未经过测试，论文也未讨论评分者间的一致性。此外，对话未表明使用的具体说服技巧，模型仅进行高级别的二元说服分类，且该论文未经过同行评审。

方法	优点	缺点