KHAN: Knowledge-Aware Hierarchical Attention Networks for Political Stance Prediction

要約

ニュース記事の政治的立場の予測は、反響室効果を軽減するために広く研究されています。つまり、人々は自分の考えに陥り、既存の信念を強化します。
政治的立場の問題に対するこれまでの研究は、(1) ニュース記事の政治的立場を反映する可能性のある政治的要因を特定し、(2) それらの要因を効果的に捉えることに焦点を当てていました。
実証的な成功にもかかわらず、特定された要因が政治的立場の予測にどれほど効果的であるかという点では、十分に正当化されていません。
これに動機付けられて、この作業では、政治的立場の予測における重要な要因を調査するためのユーザー調査を実施し、ニュース記事のコンテキストとトーン (暗黙的)、および記事に登場する現実世界のエンティティに対する外部知識 (明示的) を観察します。
）は、その政治的立場を決定する上で重要です。
この観察に基づいて、(1) 階層的注意ネットワーク (HAN) を使用して 3 つの異なるレベルで単語と文の間の関係を学習し、(2) 知識エンコーディング (
KE) 現実世界の実体に関する外部知識を政治的スタンス予測のプロセスに組み込む。
また、対立する政治的スタンス間の微妙で重要な違いを考慮に入れるために、2 つの独立した政治知識グラフ (KG) (KG-lib と KG-con) を自分で作成し、異なる政治知識を融合することを学びます。
3 つの実世界のデータセットに対する広範な評価を通じて、(1) 精度、(2) 効率、および (3) 有効性の点で DASH の優位性を実証します。

要約(オリジナル)

The political stance prediction for news articles has been widely studied to mitigate the echo chamber effect — people fall into their thoughts and reinforce their pre-existing beliefs. The previous works for the political stance problem focus on (1) identifying political factors that could reflect the political stance of a news article and (2) capturing those factors effectively. Despite their empirical successes, they are not sufficiently justified in terms of how effective their identified factors are in the political stance prediction. Motivated by this, in this work, we conduct a user study to investigate important factors in political stance prediction, and observe that the context and tone of a news article (implicit) and external knowledge for real-world entities appearing in the article (explicit) are important in determining its political stance. Based on this observation, we propose a novel knowledge-aware approach to political stance prediction (KHAN), employing (1) hierarchical attention networks (HAN) to learn the relationships among words and sentences in three different levels and (2) knowledge encoding (KE) to incorporate external knowledge for real-world entities into the process of political stance prediction. Also, to take into account the subtle and important difference between opposite political stances, we build two independent political knowledge graphs (KG) (i.e., KG-lib and KG-con) by ourselves and learn to fuse the different political knowledge. Through extensive evaluations on three real-world datasets, we demonstrate the superiority of DASH in terms of (1) accuracy, (2) efficiency, and (3) effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google