随着社交网络的发展,越来越多的用户生成内容拓展了文化产品生产、传播的深度和广度,为普通民众展示新中国辉煌成就开辟了崭新的窗口,为主流价值观的塑造与传播拓展了更为广阔的领域。通常评价文本质量一般以有用性作为衡量指标,然而,有用性只能作为文本浅层语义的衡量标准,当前新的需求是挖掘文本更深层次的内涵,从文本的内涵和价值观角度评价文本质量。为了推进国家重点研发计划项目:《基于可信与共治的全媒体内容社会众创服务平台研发与运营》课题2:全媒体内容质量智能分析与推荐分发关键技术及核心系统,本文主要解决两个任务:面向浅层语义的文本质量评价和面向深层语义的文本质量评价。围绕这两个任务,本文进行了以下三点研究:1.面向有用性的文本质量评价。本文提出了一种基于目标感知和交叉网络的评论有用性预测框架,在深层网络BERT和浅层交叉网络基础上,采用评论目标感知机制来捕捉评论与评论目标的相关性,并融入评论长度和星级得分两个特征来丰富评论表示。此外,为了从数据丰富的领域迁移知识,对模型进行了迁移预训练。最终在公开的亚马逊商品评论数据集上取得了很好的表现。2.面向主流价值观的文本质量评价。本文构建了完整的解决方案。首先依据主流价值观对文本质量进行定义,构建了一个面向主流价值观的文本质量评价数据集。为了缓解人工标注数据的压力以及解决域内数据获取困难的问题,本文提出了一个基于无监督数据增强框架的文本质量评价方法,并通过检索获取了大量域内数据,在本文构建的面向主流价值观的文本质量评价数据集上F1值取得明显提升。尤其在数据量比较小的时候,能显著提升模型性能。另外,为了获取更多数据,自主构建了一个大规模中文微博检索库。3.基于知识融合的文本质量评价。为了将主流价值观信息融入模型,本文提出了基于主流价值观Adapter的知识融合方法。首先对主流价值观词典进行转化,设计判断两个句子是否表达相同极性的价值观的预训练任务,在预训练阶段将用词典定义的价值观信息通过Adapter的参数融入模型。微调阶段拼接预训练语言模型得到的上下文表示和预训练的得到的融合主流价值观知识的表示,从而帮助更显式地建模主流价值观信息。