基于事件关系图的句子级媒体偏见分析
我们旨在识别新闻文章中的阴谋论,通过整合事件关系图和两种方法:基于事件感知的语言模型以及基于硬标签的异构图注意力网络,提高阴谋论识别的准确性和召回率,并对新的未知媒体源具有良好的泛化能力。
Oct, 2023
本研究旨在提出一种名为 “中立事件图诱导” 的任务,通过信息提取技术和图卷积神经网络等方法消除新闻文章固有的框架偏见,以在开放领域中诱导最小的框架偏见的事件图。使用图预测指标和偏向指标验证了该框架有效性。
May, 2023
本文探讨了如何利用多种不同级别的语境来检测新闻文章中的信息偏见。通过使用对比学习和句子图形以及 GAT 编码三种不同程度的语境,成功地在不同的事件中组成对比三元组和构建句子图形。实验证明,对比学习和句子图形有效地吸收了不同程度的上下文,显著优于当前 SOTA 模型在句子级情感分析方面的表现。
Jan, 2022
本研究提出了多模态事件关系的新任务,并开发了一个大规模数据集和一种基于外部知识库的弱监督多模态方法,为人工智能系统实现媒体理解和跨媒体事件关系建立提供了支持。
Jun, 2022
通过研究基于高斯混合模型的概率分布,发现频率和位置对于文章层面的媒体偏见检测至关重要,其次是其精确的时序,相较于只依赖于低水平词汇信息分布的特征和神经文本分类方法。
Oct, 2020
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件,通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017
通过对新闻媒体进行研究,我们揭示了其如何在报道中通过事件的包含或省略来影响公众意见,突出了新闻 subtly shapes opinion 的方式。
Oct, 2023
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
本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。我们的方法首先提取一个上下文词序列,该词序列与两个事件提及之间的依赖路径很好地对齐,并使用生成的词序列对应的词性标记序列和依赖关系序列作为输入,提供给双向循环神经网络 (LSTM) 模型。神经网络学习组成句法和语义上下文表征,以预测它们之间的时间关系。该方法在 TimeBank 语料库上的评估表明,顺序建模能够准确地识别事件之间的时间关系,并且胜过了以前基于特征的模型。
Jul, 2017