利用质量预测模型实现自动写作反馈
人机交互
2018-04-20 v2
摘要
用户生成的多段落写作在许多社交媒体平台（如亚马逊评论、AirBnB房东简介等）中普遍且重要。确保高质量内容很重要。不幸的是，用户提交的内容往往质量不高。此外，构成高质量的特征甚至可能在领域间以用户未察觉的方式变化。自动写作反馈有潜力在写作过程中立即指出并建议改进。然而，多数方法聚焦于句法/措辞，而这仅是高质量内容的一个特征。现有研究开发了准确的质量预测模型。我们提出将这些模型与模型解释技术结合，以识别若改变则最能提升文本质量的写作特征。为此，我们针对一类称为树集成（tree-ensembles）的流行模型开发了基于扰动的解释方法。此外，我们使用弱监督技术调整该方法，以生成针对特定文本段的反馈以及针对整个文档的反馈。我们的用户研究表明，基于扰动的方法当与片段特定反馈结合时，能帮助提升亚马逊（评论有用性）和Airbnb（房东简介可信度）上的写作质量超过14%（相较近期自动反馈技术的3倍提升）。
引用
@article{arxiv.1701.06718,
title = {Leveraging Quality Prediction Models for Automatic Writing Feedback},
author = {Hamed Nilforoshan and Eugene Wu},
journal= {arXiv preprint arXiv:1701.06718},
year = {2018}
}
备注
Accepted at the 12th International Conference on Web and Social Media (ICWSM), 2018