文本情感操作的解耦表示

Dec, 2017

Disentangled Representations for Manipulation of Sentiment in Text

Maria Larsson, Amanda Nilsson, Mikael Kågebäck

TL;DR本论文通过使用解耦表示的方式，提出了一种算法来改变文本的情感而保留语义，可以用于文本操纵、情感分析和语义保留方面。

Abstract

The ability to change arbitrary aspects of a text while leaving the core message intact could have a strong impact in fields like marketing and politics by enabling e.g. automatic optimization of message impact and personalized language adapted to the receiver's profile. In this paper we take a first step towards such a system by presenting an algorithm that

text manipulation sentiment analysis disentangled representations embedding space semantic preservation

发现论文，激发创造

通过上下文扰动和大型语言模型分析新闻报道中的情感极性削弱

通过替换、插入和删除等三种扰动方法以及基于上下文的掩码语言模型，在保持核心语义的同时，最大程度地提高目标新闻方面的所需情感分数，并通过波束搜索算法降低情感极性，实现对情感操纵的类别纠正，从而提供更客观的新闻报道并抑制媒体情感语言偏见。

Feb, 2024

学习情感记忆以实现无平行数据情感修改

本文提出了一种基于特定上下文下自动提取适当情感信息的方法来实现情感修改且保留情感无关内容的无监督学习，实验结果表明，该方法在内容保留度方面显著改进且达到了最先进水平。

Aug, 2018

利用信息论指导改进解缠文本表示学习

通过信息理论，提出了一种能够有效将自然语言进行解缠编码的新方法，产生了在内容和风格保留方面高质量的解缠表示，借助互信息的上界来度量风格和内容之间的相关性，实现对风格和内容嵌入成两个独立的低维空间。

Jun, 2020

通过反事实评估减少语言模型中的情感偏见

本文旨在量化并减少语言模型中表现出的情感偏见，该文分析了在给定的条件下（例如写作提示）和语言模型中，引起生成的文本情感发生变化的敏感属性（例如国家名称，职业，性别）的值变化的影响。我们采用公平机器学习文献中的个体和团体公正度量来量化情感偏见，并证明在两种不同的语料库（新闻文章和维基百科）上训练的大规模模型存在相当高的偏见。我们随后提出使用嵌入和情感预测导出的正则化方法，该方法应用于语言模型的潜在表示。该正则化提高了公正度量，同时保持了可比水平的困惑度和语义相似性。

Nov, 2019

文本表示的敌对分解

本文提出了一种文本表示的对抗性分解方法，并通过两个案例展示其能够进行精细控制元素变化，并学习连续的风格表示。该模型使用对抗性训练和特定的动机损失，并在下游任务中表现优异。

Aug, 2018

句子情感的可控转换

本文提出了一种利用情感分类器和自编码器改变句子情感以生成更多训练数据的自动化流程，并使用词向量模型得出了 54.7% 成功率的实验结果。

Jan, 2019

学习解缠表示并应用于生物医学摘要

通过基于三元组文档之间相关性的敌对式目标，我们提出了一种学习文本的解缠混合表示方法，以实现高效的模型转移和可解释性，适用于临床试验医学摘要的嵌入，分离种群、干预措施和结果的方法效果良好，在多方面审查的实验中得证实太的使用具有很强的泛化能力。

Apr, 2018

通过统计相似性度量学习解缠纠缠纷的文本表征

本文研究使用统计相似度度量为基础，构建了一种新的数据表述方法，不需要深度神经网络训练，快速且精度更高地进行敏感属性的鉴别，从而避免社会偏见。

May, 2022

信息论视角下的解耦文本表示学习对抗性鲁棒性

本文从可分离表示学习的角度解决了对抗鲁棒性的挑战，并设计了一个可分离学习网络来估计互信息，实验证明该方法在对抗攻击下显著优于代表性方法，强调舍弃非鲁棒性特征对于提高对抗鲁棒性至关重要。

Oct, 2022

通过话语增强从情感注释到情感预测

研究新架构用于情感分析的任务，结合了大规模的 MEGA-DT treebank 以及基于混合 TreeLSTM 分层注意模型的神经架构，通过情感相关的话语增强情感预测性能，实验结果显示，性能优于使用先前基于人类注释数据训练的良好建立的话语解析器的方法，同时演示了一个简单的组合方法如何进一步增强性能。

Nov, 2020