词语具可塑性：计算政治与媒体话语中的语义偏移

近来，研究者开始关注词意随时间发生偏移的检测。然而，这些方法中绝大多数（即便不是全部）仅致力于揭示随时间的变化，从而忽视了其他有价值的维度，例如社会或政治上的变异性。我们提出一种检测不同观点之间语义偏移的方法——观点广义地定义为共享某一特定元数据特征的一组文本，该特征可以是时间段，也可以是诸如政党之类的社会实体。对于每个观点，我们学习一个语义空间，其中每个词被表示为低维神经嵌入向量。挑战在于比较一个词在一个空间中的含义与其在另一个空间中的含义，并度量语义偏移的大小。我们将基于两个空间之间最优变换的度量方法与基于该词在各自空间中邻居相似度的度量方法的有效性进行比较。我们的实验表明，这两种方法的结合表现最佳。我们证明语义偏移不仅随时间发生，也会在短期内沿不同观点发生。为进行评估，我们展示了该方法如何捕捉有意义的语义偏移，并有助于改进其他任务，例如政治文本中的对比观点摘要与意识形态检测（以分类准确率衡量）。我们还表明，经验上已被证明适用于时间偏移的两条语义变化定律同样适用于跨观点的偏移。这些定律指出，高频词更不可能发生意义偏移，而具有多个义项的词更可能发生偏移。