用于映射公共领域认知的简单动态词嵌入
计算机与社会
2020-10-02 v2
摘要
在大规模历史语料上训练的词嵌入可以揭示导致社会不平等的人类偏见与刻板印象。这些嵌入通常在根据不同关注属性定义的独立向量空间模型中训练。本文中，我们开发了一个统一动态嵌入模型，学习特定属性的词嵌入。我们将模型应用于研究 i) 20 世纪嵌入在 COHA（美国历史英语语料库）中的性别与族裔职业偏见，以及 ii) 嵌入在一个新的谈话广播转录语料中的针对难民的偏见，该语料包含一个月内在 83 个电台和 64 个城市产生的 1.19 亿词。我们的结果初步阐明了动态嵌入模型比独立向量空间模型更适合表示语言偏见的情形，反之亦然。
引用
@article{arxiv.1904.03352,
title = {Simple dynamic word embeddings for mapping perceptions in the public sphere},
author = {Nabeel Gillani and Roger Levy},
journal= {arXiv preprint arXiv:1904.03352},
year = {2020}
}
备注
This is a modified version of a paper that originally appeared in the 2019 NAACL workshop on NLP+CSS. Since its initial publication, we discovered implementation errors that invalidate the results presented in the original version of the paper. These errors are corrected in this version. A corrigendum at the end of this paper summarizes the original errors and how we corrected them