CausalSent：基于 RieszNet 的可解释情感分类
计算与语言
2025-08-27 v2 机器学习
摘要
尽管最近的自然语言处理（NLP）模型在性能上取得了显著的提升，但这些模型所做出的决策大多是黑箱。为弥合这一差距，因果 NLP 领域将因果推断文献与现代 NLP 模型结合起来，以阐明文本特征的因果效应。我们复制并扩展了 Bansal 等人关于正则化文本分类器以遵循估计效应的工作，专注于模型可解释性。具体而言，我们开发了基于 RieszNet 的双头神经网络架构，实现更好的处理效应估计精度。我们的框架 CausalSent 在半合成的 IMDB 电影评论数据上准确预测处理效应，将效应估计的平均绝对误差（MAE）降低了 2-3 倍。通过一组验证的模型组成的集成，我们在 IMDB 电影评论中对“love”一词的因果效应进行观察性研究，发现“love”一词的存在会导致积极情感概率增加 +2.9%。
引用
@article{arxiv.2508.17576,
title = {CausalSent: Interpretable Sentiment Classification with RieszNet},
author = {Daniel Frees and Martin Pollack},
journal= {arXiv preprint arXiv:2508.17576},
year = {2025}
}