التحيز منتشر لنماذج NLP، تحفز تطوير تقنيات الدخل التلقائي.يقتصر تقييم أساليب ديوان NLP إلى حد كبير على السمات الثنائية في العزلة، على سبيل المثال، الدخان فيما يتعلق بالجنس أو العرق الثنائي، إلا أن العديد من الشركات تشمل العديد من هذه الصفات، وربما مع
ارتفاع كرادة.في هذه الورقة، نقول أن نموذجا عادلا حقيقيا يجب أن يفكر في مجموعات GerryMandering التي تضم سمات مفردة فحسب، بل أيضا مجموعات تقاطع أيضا.نحن نقيم شكل من أشكال النموذج المحيزي الجديد الذي هو جديد على NLP، وكذلك امتداد تقنية الإسقاط Nullspace التكراري يمكن أن تتعامل مع هويات متعددة.
تهدف تقنيات توليد الجيل إلى توليد تعريف كلمة أو عبارة مستهدفة بالنظر إلى السياق.في الدراسات السابقة، واجه الباحثون قضايا مختلفة مثل مشكلة خارج المفردات ومشاكل أكثر من اللازم.التعاريف المفرطة المحددة الحالية معاني الكلمة الضيقة، في حين أن التعاريف الخ
اضعة لها المعاني العامة والسياق غير حساسة.هنا، نقترح طريقة لتوليد التعريف مع الخصوصية المناسبة.تعالج الطريقة المقترحة المشكلات المذكورة أعلاه من خلال الاستفادة من نموذج ترميز التشفير المدرب مسبقا، وهي محول نقل النص إلى النص، وإدخال آلية إعادة الترتيب لنموذج النوعية في التعاريف.تشير النتائج التجريبية إلى مجموعات بيانات التقييم القياسية إلى أن طريقتنا تتفوق بشكل كبير على الطريقة السابقة للحالة السابقة.علاوة على ذلك، يؤكد التقييم اليدوي أن أسلوبنا يعالج بشكل فعال مشاكل أكثر من / أقل خصوصية.
