ACLApr, 2022

KCD：知识漫步和文本线索增强新闻媒体中的政治观点检测

PDF
TL;DR本文提出一种名为 KCD 的方法，通过多跳知识推理和文本线索作为段落级标签来进行政治观点的检测，该方法可帮助打破信息封闭和政治极化，实验表明该方法在两个基准数据集上优于当前最先进的方法。
political perspective detectionecho chamberspolitical polarizationmulti-hop knowledge reasoninggraph-level representation learning
发现论文，激发创造
  • KGAP：基于知识图谱的新闻媒体政治态度检测

    本文提出了一种利用外部领域知识进行政治观点识别的 KGAP 方法，该方法在构造政治知识图谱的基础上，结合异构信息网络来表示新闻文本与外部知识，并采用关系图神经网络进行政治观点检测，实验结果表明该方法在现实世界的识别标准中表现最佳。

    Aug, 2021

  • KHAN: 知识感知分层注意力网络用于准确的政治立场预测

    本研究提出了一种基于知识感知的方法，利用分层注意力网络和知识编码技术，将新闻文章的上下文信息和实体外在知识融入到政治倾向预测的过程中，建立了两个独立的政治知识图谱进行对比，取得高精度和高效性。

    Feb, 2023

  • 新闻文章政治意识形态检测的多视角模型

    本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在 F1 得分上提高了 10 个百分点。

    Sep, 2018

  • 学习无偏见的新闻文章表征：一种融合知识的方法

    利用可靠的外部数据资源学习新闻文章的公正表示，提出了一种知识注入的深度学习模型，旨在预测新闻文章的政治倾向，解决了现有学习模型在模型训练中受到新闻发布者的政治偏见影响的问题，从而消除了算法政治偏见，并在准确性方面优于基线方法，可达到 73% 的准确率。

    Sep, 2023

  • 新闻中的目标感知背景政治偏见检测

    媒体偏见检测需要综合多个新闻来源的信息，以句子级别的政治偏见检测为例，通过考虑上下文中的偏见而进行的任务被证明是一项具有挑战性的任务。我们提出了一种更加小心地搜索上下文的技术，采用偏见敏感和目标感知的数据增强方法，通过与 BERT 等预训练模型的结合，在著名的 BASIL 数据集上进行了综合实验，取得了 58.15 的 F1 得分，明显优于先前方法的最新偏见检测任务。

    Oct, 2023

  • 使用异构知识表示进行文本和作者级别的政治推断

    本文利用 transformers（如 BERT）从英语和葡萄牙语文本中实验和比较了不同的模型配置，结果表明对于 “政治推理” 领域，结合 BERT 预训练语言模型和句法依存模型等文本表示法可以在多个实验设置中优化结果，这为进一步研究异构文本表示法在自然语言处理等领域提供了切实的证据。

    Jun, 2022

  • 政治演员表示学习：基于社交背景和专家知识的方法

    该研究提出了 PAR 学习框架，该框架利用社会背景和专家知识，学习政治人物的代表性，以更好地理解政治文本，并成功提升了政治观点检测和投票预测的最新技术水平。

    Oct, 2022

  • 从新闻构建和解释因果知识图谱

    本文提出了一种从新闻中构建因果知识图谱的方法，其中采用了基于 BERT 的抽取模型和主题模型等技术，最终实现了高召回率、高精度和高连通性的知识图谱，有效地捕捉和传达因果关系。

    May, 2023

  • 基于上下文和知识图谱的动态表示

    本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

    Dec, 2022

  • 使用知识增强语言模型评估假新闻检测

    本研究探讨了将丰富的人类编写的事实信息知识库集成到语言模型中，以提高假新闻检测的效果和鲁棒性。通过使用维基数据等知识库的几种最先进的知识集成方法，在 LIAR 数据集和 COVID-19 数据集这两个广受欢迎的假新闻数据集上进行了实验研究。实验结果表明，基于知识的模型可以显着提高假新闻检测在 LIAR 数据集上的效果，而在 COVID-19 数据集上的混合结果，则强调了领域特定的、最新的知识库的重要性。

    Apr, 2022