物联网环境下的论证有效性评估与应用

### 物联网环境下的论证有效性评估与应用 #### 1. 激烈论证数据集 激烈论证数据集旨在收集作者竭尽全力表达观点的文本，作者会运用各种手段证明自己正确，对手错误。投诉者通常是情绪激动的作者，他们会描述在金融服务中遇到的问题以及解决尝试。 投诉者常反映客服人员无能、政策有缺陷、无知、漠视客户需求和虚假陈述等问题。投诉的重点在于证明自己正确、对手错误，随后提出解决方案和期望结果。 在2007年金融危机期间，投诉揭示了银行的不良行为，如操纵交易顺序以收取高额资金不足费用，还试图将此行为解释为处理大量支票的必要手段。这是客户投诉最常见的话题，通过该数据集可以追踪多种针对此话题的论证模式。 该数据集的优势在于，对于给定话题（如资金不足费用），它提供了多种论证该费用不公平的方式，有助于系统探索与话题无关的论证模式集群，观察论证类型与整体投诉有效性之间的联系。与其他论证数据集（如法律论证、学生论文、网络论证语料库、事实 - 情感和政治辩论）相比，这些数据集话题差异大，难以追踪每个话题的可能论证模式范围。而且投诉者的信息与法律和政治领域的专业写作不同，具有简单的动机结构、明确的目的，且发生在固定的领域和语境中。在这个数据集中，情感论证对于那些遭受高额不公平收费或面临房屋驱逐的作者的权益至关重要，因此作者会尽力提供有力论证来支持自己的主张。 #### 2. 论证检测与验证评估 ##### 2.1 数据集构建 - **正数据集**：从消费者维权网站PlanetFeedback.com抓取的文本客户投诉数据集，用于论证检测（第一步）和论证有效性验证（第二步）任务。 - **负数据集**：仅用于情感论证检测任务，使用了维基百科、事实新闻来源，以及Lee（2001）数据集中的部分内容，如软件使用说明、硬件使用说明、客观独立的新闻文章等。 ##### 2.2 论证检测方法 论证检测的目标是识别各种类型的论证，以领域无关的方式判断给定文本段落是否包含论证。以下是不同论证检测方法的评估结果： | 方法/来源 | 精确率（P） | 召回率（R） | F1 度量 | | --- | --- | --- | --- | | 词袋法 | 57.2 | 53.1 | 55.07 | | WEKA - 朴素贝叶斯 | 59.4 | 55.0 | 57.12 | | SVM TK for RST 和 CA（完整解析树） | 77.2 | 74.4 | 75.77 | | SVM TK for DT | 63.6 | 62.8 | 63.20 | | SVM TK for CDT | 82.4 | 77.0 | 79.61 | 从这些结果可以看出，基于关键词及其频率的基线方法表现相对较差。而协调的交际行为对（至少有一个与对手相关的负面情感极性）可作为逻辑论证存在的线索，但这种简单方法远不如表现最佳的TK - 学习CDT方法，后者的性能高出29