[論文レビュー] KGAP: Knowledge Graph Augmented Political Perspective Detection in News Media

Shangbin Feng, Zilong Chen+5 more|arXiv (Cornell University)|Aug 9, 2021

Topic Modeling被引用数 12

ひとこと要約

KGAPは、異種情報ネットワークフレームワークを用いてドメイン固有の外部知識を統合することで、ニュースメディアにおける政治的立場検出のための知識グラフ拡張アプローチを提案する。関係性を考慮したグラフニューラルネットワークを用いてグラフレベル分類を実行し、テキストコンテンツと政治的知識を効果的に統合することで、2つのベンチマークデータセットで最先端の性能を達成した。

ABSTRACT

Identifying political perspectives in news media has become an important task due to the rapid growth of political commentary and the increasingly polarized political ideologies. Previous approaches focus on textual content and leave out the rich social and political context that is essential in the perspective detection process. To address this limitation, we propose KGAP, a political perspective detection method that incorporates external domain knowledge. Specifically, we construct a political knowledge graph to serve as domain-specific external knowledge. We then construct heterogeneous information networks to represent news documents, which jointly model news text and external knowledge. Finally, we adopt relational graph neural networks and conduct political perspective detection as graph-level classification. Extensive experiments demonstrate that our method consistently achieves the best performance on two real-world perspective detection benchmarks. Ablation studies further bear out the necessity of external knowledge and the effectiveness of our graph-based approach.

研究の動機と目的

• テキストのみに依存するアプローチの限界を克服し、豊富な社会的・政治的文脈を統合する。
• ニュース記事における政治的推論のための外部的背景知識として機能するドメイン固有の知識グラフを構築する。
• テキストと知識を統合して共同でモデル化する異種情報ネットワークを用いて、政治的立場検出をグラフレベル分類として定式化する。
• 外部知識の必要性と有効性を、テキスト解析に依存するのみの手法を超えて検出性能を向上させることで実証する。

提案手法

• 現代の米国政治に焦点を当てた1,071のエンティティと10,703の三項組みを含む政治的知識グラフを構築し、ドメイン固有の背景知識を提供する。
• ニュースドキュメントを表現するための異種情報ネットワーク（HIN）を構築し、テキストコンテンツ（段落ノード）と外部知識（エンティティノード）を3種類のエッジ（ドキュメント-段落、段落-段落、段落-エンティティ）で統合する。
• 構造的および意味的相互作用を促進するために、知識グラフ埋め込み（例：TransE, RotatE）を初期ノード特徴量として活用する。
• 異種ノードおよびエッジタイプ間でメッセージパッシングを可能にするために、関係性グラフニューラルネットワーク（R-GCNおよびゲート付きR-GCN）を用いてグラフ表現学習を実施する。
• 政治的立場検出を、全ニュースグラフが政治的ステーク（例：リベラルまたはコンservative）に分類されるグラフレベル分類として定式化する。
• 交差エントロピー損失を用いてエンドツーエンドでモデルを学習し、知識、テキストモデリング、グラフ構造の寄与度を評価するためのアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 外部ドメイン知識を統合することで、テキストコンテンツに依存するのみのアプローチを上回る政治的立場検出の性能向上が顕著に達成できるか？
• RQ2 異種情報ネットワークは、政治的ステイク分類の文脈でテキスト表現と知識ベース表現を効果的に統合できるか？
• RQ3 異なる知識グラフ埋め込み技術が、政治的立場検出におけるモデル性能に与える影響は何か？
• RQ4 テキストモデリングの変化（例：BERT対軽量モデル）やグラフ構造の変更（例：エッジの削除）が、検出精度に与える影響は何か？
• RQ5 関係性グラフニューラルネットワークの使用が、政治的立場検出における表現学習をどの程度向上させるか？

主な発見

• KGAPはSemEvalおよびAllSidesの両ベンチマークで最先端の性能を達成し、SemEvalではマクロ-F1スコア84.94、AllSidesでは85.52を記録し、既存の最先端手法を上回った。
• アブレーションスタディの結果、段落-エンティティエッジを削除すると性能低下が最も顕著に現れ、特に規模の小さいSemEvalデータセットにおいて顕著だった。これは外部知識統合の重要性を示している。
• ゲート付きR-GCNなどの関係性グラフニューラルネットワークの使用は、GCNのような単純なGNNよりも顕著に性能を向上させ、SemEvalではマクロ-F1スコアで2.3%の絶対的向上を達成した。
• BERTのような高度なテキストモデルは、単純なモデルを常に上回り、ニュースグラフ構造と組み合わせることでさらに性能が向上した。これはテキストとグラフ表現の相乗効果を示している。
• わずか10エポックで学習した知識グラフ埋め込みは、ランダム初期化よりも優れた性能を示した。これは、埋め込み初期化戦略にかかわらず本手法の堅牢性が保証されていることを示している。
• 異なる知識グラフ埋め込み手法（例：TransE, RotatE）を用いてもモデルの性能は安定しており、特定の埋め込み手法に依存しないことを示している。