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

要約

タイトル：KHAN：正確な政治スタンス予測のための知識重視の階層的アテンションネットワーク

要約：

– ニュース記事の政治スタンス予測は、エコーチェンバー効果を緩和するために広く研究されています。
– 以前の政治スタンス問題の研究では、ニュース記事の政治スタンスを反映する可能性のある政治的要因を特定し、それらを効果的に捕捉することに焦点が当てられていました。
– しかし、彼らが特定した要因が政治スタンス予測にどの程度効果的であるかについて、十分な正当化がされていませんでした。
– この問題を解決するために、本研究では、政治スタンス予測における重要な要因を調査するためのユーザースタディを実施し、ニュース記事の文脈やトーン（暗黙的）、記事に現れる現実世界のエンティティに関する外部の知識（明示的）が、政治スタンスを決定する上で重要であることを発見しました。
– この観察に基づいて、私たちは政治スタンス予測のための知識重視の新しい手法（KHAN）を提案しています。これは、(1) 階層的アテンションネットワーク（HAN）を用いて、単語と文の関係を3つの異なるレベルで学習し、(2) 政治スタンス予測のプロセスに現実世界のエンティティの外部知識を組み込むための知識エンコード（KE）を採用しています。
– また、反対の政治スタンスの微妙で重要な違いを考慮するために、私たちは独自に2つの独立した政治知識グラフ（KG-libとKG-con）を構築し、異なる政治的知識を結合する方法を学びます。
– 3つの実世界のデータセットに対する広範な評価により、この方法は正確性、効率、有効性の3つの側面で優れていることが示されました。

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, OpenAI