一种用于分离用户评论中观点与情节的解耦对抗神经主题模型
计算与语言
2021-06-22 v2
摘要
变分自编码器(VAE)中推断过程的灵活性近来促使传统概率主题模型被重新审视,从而产生了神经主题模型(NTM)。尽管这些方法取得了显著成果,但关于如何解耦潜在主题的研究却少得惊人。现有主题模型应用于评论时,可能提取到与作者主观观点混合的主题,以及与时序描述(如电影和书籍评论中的情节摘要)相关的主题。因此,期望自动将观点主题与情节/中性主题分离,以实现更好的可解释性。本文中,我们提出一种结合对抗训练的神经主题模型,以将观点主题与情节及中性主题解耦。我们进行了广泛的实验评估,引入了名为 MOBO 数据集的、与情节配对的新电影和书籍评论集合,显示出改进的主题一致性与多样性、稳定的解耦率,以及优于其他有监督主题模型的情感分类性能。
引用
@article{arxiv.2010.11384,
title = {A Disentangled Adversarial Neural Topic Model for Separating Opinions from Plots in User Reviews},
author = {Gabriele Pergola and Lin Gui and Yulan He},
journal= {arXiv preprint arXiv:2010.11384},
year = {2021}
}
备注
Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, NAACL 2021