心理学启发的因果提示
情感分析将情感表达在文本中进行识别,本文将情感分析分解为两个任务:区分评论是否 “引导” 情感或情感是否 “引导” 评论的因果假设,以及使用评论预测情感的传统任务。利用心理学中的峰 - 尾规则,我们通过计算整体情感得分来将样本分类为两种因果假设。对于预测任务,我们根据样本中发现的因果机制提出因果提示,以改进 LLMs 性能,从而在零样本五分类情感分析中实现了高达 32.13 F1 分的显著提升。
Apr, 2024
我们提出了一种通过由情感丰富的文本衍生出的嵌入来作为提示信息的系统,通过在基于 Transformer 的架构内多次集成发言者和提示信息的联合表示。我们的方法在合并情感语音和文本数据集上进行训练,并在每次训练迭代中变化提示信息,以增加模型的泛化能力。客观和主观评估结果表明,该条件合成系统能够准确地将提示中的情感转移到语音中。同时,保持了发言者身份的精确可追踪性以及整体的高话语质量和可理解性。
Jun, 2024
情感分类是一个具有挑战性和主观性的任务,需要解释文本刺激所需的认知推理过程。本文针对存在的研究空白,探讨了在非英语文本中使用哪种语言进行情感标签提示的问题,并通过自然语言推理基于语言模型的实验结果表明,即使数据来源是不同语言,使用英语提示更为有效。
Feb, 2024
本论文探讨了在多任务文本生成模型中,使用问题 - 答案格式输入与前提 - 假设格式输入是否会影响模型的社会偏见,并使用两个基准测试评估了 T0 模型在其中的表现,结果表明前者会使得模型表现出更多的社会偏见。
May, 2022
聊天软件等社交媒体的人际互动对个人心理状况具有暗示作用,而计算智能技术、自然语言处理等方面的持续发展为探讨导致用户在线上状况的原因与心理效应提供了一种全新的视角和工具。本文旨在进一步探讨其中两大关键方向:寻找因果关系与推理发生在用户意识中影响的各种心理角度,在自然语言处理的范畴内通过最新的话语分析技术拓展思路空间,以发掘心理计算学问题的更多潜在解决方案。
Jan, 2023
本文提出了 TextCause 算法,使用观测数据估计语言属性的因果效应,解决了因果定量的形式化问题以及基于分类器和词库的噪声代理的偏差问题,该算法利用了 distant supervision 和预训练的 BERT 模型。
Oct, 2020
通过提供一种语言描述训练数据如何影响预测的因果框架,我们研究了提取预训练语言模型中事实知识的问题。研究表明,诸如共现计数等简单数据统计确实会影响预测结果,暗示此类模型依赖于表浅启发式。此结果强调了研究数据集和了解 NLP 模型的因果性的重要性。
Jul, 2022
该研究旨在在零 - shot 设置中找到高质量的 prompt。我们的自动化方法使用位置、推理和释义技术生成多个与基本 prompt 类似的 prompt,然后使用新的度量标准对这些 prompt 进行排名。我们实验证明,排名靠前的 prompt 是高质量的,显著优于基本 prompt 和使用 few-shot learning 生成的 prompt,适用于句子级情感分类任务。
May, 2023
本研究通过分析不同的提示公式,以及使用基于自然语言推理的分类器,探讨零样本学习情感分类问题。并且通过使用多个提示公式的组合,实现了更加稳定且表现良好的情感分类。
Sep, 2022