Generative Sentiment Transfer via Adaptive Masking

要約

感情の転送は、元のセマンティック コンテンツを保持しながら、特定の感情の極性を満たすように入力テキストを修正することを目的としています。
感情伝達の核心は、感情情報をコンテンツ情報から正確に分離することにあります。
既存の明示的なアプローチは一般に、以前の言語知識と手動で定義されたルールに基づいてセンチメント トークンを識別してマスクするため、一般性が低く、転送パフォーマンスが望ましくありません。
この論文では、マスクされる位置を学習可能なパラメーターと見なし、注意メカニズムに基づいて適応タスク関連マスクを学習するための新しい AM-ST モデルをさらに提案します。
さらに、マルチグレインセマンティクスを包括的にキャプチャするために、コンテキストと感情の極性の両方を組み込むことにより、マスクされた位置の空白を埋めるために、センチメントを認識するマスクされた言語モデルがさらに提案されています。
AM-ST は 2 つの一般的なデータセットで徹底的に評価されており、実験結果は提案の優位性を示しています。

要約(オリジナル)

Sentiment transfer aims at revising the input text to satisfy a given sentiment polarity while retaining the original semantic content. The nucleus of sentiment transfer lies in precisely separating the sentiment information from the content information. Existing explicit approaches generally identify and mask sentiment tokens simply based on prior linguistic knowledge and manually-defined rules, leading to low generality and undesirable transfer performance. In this paper, we view the positions to be masked as the learnable parameters, and further propose a novel AM-ST model to learn adaptive task-relevant masks based on the attention mechanism. Moreover, a sentiment-aware masked language model is further proposed to fill in the blanks in the masked positions by incorporating both context and sentiment polarity to capture the multi-grained semantics comprehensively. AM-ST is thoroughly evaluated on two popular datasets, and the experimental results demonstrate the superiority of our proposal.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google