ReZG：面向仇恨言论的检索增强零样本反叙事生成
计算与语言
2024-12-31 v2
摘要
社交媒体上仇恨言论（HS）的泛滥对社会安全构成严重威胁。自动反叙事（CN）生成作为一种主动的 HS 干预策略，近年来受到越来越多的关注。现有自动生成 CN 的方法主要依赖于在人工整理的 CN 语料库上重新训练或微调预训练语言模型（PLMs）。遗憾的是，CN 语料的标注速度跟不上 HS 目标的增长，而为未见目标生成特定且有效的 CN 对模型而言仍是一项重大挑战。为解决此问题，我们提出检索增强零样本生成（ReZG），为未见目标生成高特异性的 CN。具体而言，我们提出一种融合立场、语义与适配度的多维分层检索方法，将检索度量从单一维度扩展至适用于反驳 HS 知识的多维度量。随后，我们实现一种基于能量的约束解码机制，使 PLMs 使用可微的知识保持、反驳与流畅性约束函数，而非目标内 CN，作为生成的控制信号，从而实现零样本 CN 生成。借助上述技术，ReZG 可灵活整合外部知识并提升 CN 的特异性。实验结果表明，ReZG 展现出更强的泛化能力，在相关性和反驳成功率指标上分别以 2.0%+ 和 4.5%+ 的显著提升优于强基线。
引用
@article{arxiv.2310.05650,
title = {ReZG: Retrieval-Augmented Zero-Shot Counter Narrative Generation for Hate Speech},
author = {Shuyu Jiang and Wenyi Tang and Xingshu Chen and Rui Tang and Haizhou Wang and Wenxian Wang},
journal= {arXiv preprint arXiv:2310.05650},
year = {2024}
}