摘要 本文介绍了语义传播图神经网络（SProp GNN），这是一种机器学习情感预测（EP）架构，专门依赖于句法结构和词汇级情感线索来预测文本中的情感。通过对特定单词的信息进行语义盲化，该模型对政治或性别偏见等社会偏见具有鲁棒性，这种偏见困扰着以往基于机器学习的EP系统。SProp GNN在两种不同的预测任务中，表现优于基于词典的替代方案，如VADER（情感词典与情感推理器）和Emotlas，并且适用于两种语言。此外，在精确度上接近基于变换器的模型——在离散英语基准上准确度分数平均差异为5.7%，在英语和波兰语的维度情感预测数据集上相关性差异从0.075到0.145——同时在情感预测任务中显著减少了偏见。通过提供更好的可解释性并减少偏见，SProp GNN弥合了可解释词典方法与强大但常常不透明的深度学习模型之间的方法论差距，为通过文本理解人类行为提供了一种公正有效的情感预测工具。
Hubert Plisiecki（周五）研究了这个问题。