基于频率的量子深度学习方法在商议性话语中捕捉观点转变
计算与语言
2025-09-29 v1
摘要
商议在通过权衡不同观点以达成决策的过程中发挥着关键作用。随着自然语言处理技术的最新进展，通过分析观点转变并预测不同场景下的潜在结果，对商议进行计算建模已成为可能。在本研究中，我们对多种 NLP 技术进行了比较分析，以评估模型如何有效地解释商议性话语并产生有意义的见解。我们收集了来自不同背景个体的观点，构建了一个反映多元视角的自建数据集。通过使用富含引人注目事实的产品演示来模拟商议，这通常会引起观众观点的可测度转变。我们在两个模型之间进行了比较分析，即基于频率的话语调制（Frequency-Based Discourse Modulation）和量子商议框架（Quantum-Deliberation Framework），它们优于现有的 SOTA 模型。研究结果突显了其在公共政策制定、辩论评估、决策支持框架以及大规模社交媒体观点挖掘中的实际应用。
引用
@article{arxiv.2509.22603,
title = {Capturing Opinion Shifts in Deliberative Discourse through Frequency-based Quantum deep learning methods},
author = {Rakesh Thakur and Harsh Chaturvedi and Ruqayya Shah and Janvi Chauhan and Ayush Sharma},
journal= {arXiv preprint arXiv:2509.22603},
year = {2025}
}
备注
9 pages, 2 figures, 1 table