基于图卷积神经网络的高校评教文本垃圾识别模型

熊 晗

（重庆工商职业学院，重庆 400052）

0 引 言

高校评教系统如何准确地刻画与量化教师教书水平，学生评价是有效的信息反馈手段。然而，目前高校的学生评教未能真正达到智能化的程度。其中一个主要的困难在于，学生的评价有大量的无效、无用、甚至是干扰的评论。如何在海量的评教文本中准确地实现垃圾信息识别，使评教系统智能化，是目前项目的工作重点。

近年来，在高校研究工作中，评教内容的使用与研究有很多突破与进展。在文本垃圾识别领域，深度学习技术有着相当不错的实现效果，特别是图卷积神经网络（Graph Convolution Network，GCN）的提出，将聚合节点的邻居节点以及边的信息来更新该节点的向量表征，捕捉到文本中更丰富和细致的特征，提升垃圾分类的识别效果[1-2]。本文结合大量学生评教语料的分析与处理，使用Bert完成词嵌入，将文本特征以嵌入向量的形式输入到图网络模型中。实验证明，相较于未使用GCN模型的方法，Bert结合GCN模型有着更好的分类性能[3]。

针对收集的学校的多年评教语句初步分析，进行分类识别垃圾评教语句的难点在于：

（1）评教语句往往比较简短，使用传统的自然语言的处理框架如循环神经网络（Rerrent Neural Network，RNN）以及衍生框架很难获取到语句有效特征；

（2）部分评教语句从语言、语法上无法区分是否为垃圾评教，比如学生评价：“老师教得不错”，可能是中肯的，也可能是敷衍的复制，这种情况需要收集足够多的特征来区分[4]；

（3）文本数据量巨大，每年学生评教有大量的数据产生，人工标注较为困难。……