用 Transformer 语言模型零样本排序社会政治文本以减少精读时间
计算与语言
2022-10-18 v1 信息检索
摘要
我们将分类问题视为蕴含问题，并对社会政治文本应用零样本排序。排在最前面的文档可被视为正分类文档，从而减少信息抽取过程的精读时间。我们使用 Transformer 语言模型获取蕴含概率，并考察不同类型的查询。我们发现 DeBERTa 比 RoBERTa 取得更高的平均精度均值分数，且当使用类标签的陈述句形式作为查询时，优于类标签的词典定义。我们展示，通过取排序文档的一定百分比，可以减少精读时间，该百分比取决于他们希望达到的召回率。然而，我们的发现也表明，随着主题变宽泛，应阅读的文档百分比会上升。
引用
@article{arxiv.2210.09179,
title = {Zero-Shot Ranking Socio-Political Texts with Transformer Language Models to Reduce Close Reading Time},
author = {Kiymet Akdemir and Ali Hürriyetoğlu},
journal= {arXiv preprint arXiv:2210.09179},
year = {2022}
}
备注
Accepted at CASE 2022