StereoKG：面向文化知识与刻板印象的数据驱动知识图谱构建
计算与语言
2022-05-30 v1
摘要
分析族群或宗教偏见对提升自然语言处理模型的公平性、问责制与透明度十分重要。然而，许多技术依赖人工编纂的偏见术语列表，其创建成本高且覆盖有限。在本研究中，我们提出一个完全数据驱动的流水线，用于生成文化知识与刻板印象的知识图谱（KG）。我们得到的 KG 覆盖 5 个宗教群体与 5 个国籍，并可轻易扩展以纳入更多实体。人工评估显示大多数（59.2%）非单例条目是连贯且完整的刻板印象。我们进一步表明，对动词化后的 KG 进行中间掩码语言模型训练可提升模型的文化意识水平，并有可能提高在相关知识关键样本上于相关任务（即仇恨言论检测）的分类性能。
引用
@article{arxiv.2205.14036,
title = {StereoKG: Data-Driven Knowledge Graph Construction for Cultural Knowledge and Stereotypes},
author = {Awantee Deshpande and Dana Ruiter and Marius Mosbach and Dietrich Klakow},
journal= {arXiv preprint arXiv:2205.14036},
year = {2022}
}
备注
12 pages, 2 figures, accepted as a long paper at WOAH at NAACL 2022