利用属性感知词嵌入实现新闻文章的政治去极化

美国的政治极化现象正在加剧。这种极化通过助长意识形态回音室的形成而对公共领域产生负面影响。在本文中，我们致力于解决导致这种极化的因素之一，即极化媒体。我们引入了一个新闻文章去极化框架。给定一篇关于某一主题且具有特定意识形态倾向（例如自由派或保守派）的文章，该框架首先检测文章中的极化语言，然后生成一篇用中性表达替换极化语言的新文章。为检测极化词汇，我们在 36 万篇完整长度的媒体文章上训练了一个感知意识形态与主题的多属性感知词嵌入模型。随后，在文本生成方面，我们提出了一种称为文本退火去极化算法（Text Annealing Depolarization Algorithm, TADA）的新算法。TADA 从该词嵌入模型中检索中性表达，这些表达不仅降低意识形态极性，还保留文本的原始论点，同时保持语法正确性。我们通过比较我们的模型在两种模式（全自动与半自动）下对涵盖 11 个主题的 99 篇报道的去极化输出来评估框架。基于 161 名人类测试者的反馈，我们的框架在半自动模式下成功去极化了 90.1% 的段落，在全自动模式下成功去极化了 78.3% 的段落。此外，81.2% 的测试者同意非极化内容信息得到良好保留，79% 的测试者同意当他们比较原始文本与去极化文本时，去极化未损害语义正确性。我们的工作表明数据驱动方法可帮助定位政治极性并辅助文章去极化。