【论文】Political Depolarization of News Articles Using Attribute-aware Word Embeddings 【作者】Ruibo Liu, Lili Wang, Chenyan Jia, Soroush Vosoughi 【机构】达特茅斯学院（Dartmouth College） 【时间】2021/01 【推荐理由】本文研究新闻文本的政治去极化研究。作者提出了文本退火去极化算法，能够去除文本的政治极化并生成新的文本，且不改变出了强政治敏感性之外的语义。 具体来讲，作者提出的框架首先检测文章中的极性语言，然后生成一个新文章，将极性语言替换为中性表达式。为了检测极性词，训练了一个多属性感知的词嵌入模型，该模型对360k全长媒体文章的意识形态和主题都有感知。然后，针对文本生成，提出了一种新的文本退火去极化算法(TADA)。多达从词嵌入模型中检索到中性表达，既减少了意识形态的极性，又保留了文本的原始论点，同时保持了语法的正确性。基于161名测试人员的反馈，该框架在半自动模式下成功去极化了90.1%的段落，在全自动模式下成功去极化了78.3%的段落。此外，81.2%的测试者认为非极性内容信息得到了很好的保存，79%的测试者认为去极化不会损害语义的正确性。研究表明，数据驱动的方法有助于定位政治极性，并有助于文章去极化。

内容中包含的图片若涉及版权问题，请及时与我们联系删除