[论文解读] Building Knowledge Graphs About Political Agents in the Age of Misinformation

Daniel Schwabe, Carlos Laufer+1 more|arXiv (Cornell University)|Jan 29, 2019

Topic Modeling参考文献 31被引用 6

一句话总结

本文提出了一种针对政治主体的知识图谱构建方法论，强调信任与来源追溯以应对虚假信息。通过整合来自多样化且常存在冲突的来源的结构化数据，该方法对政治行为者之间的关系进行建模，明确记录其来源脉络与可信度评估，从而在虚假信息泛滥的时代构建更可靠的政界信息体系。

ABSTRACT

This paper presents the construction of a Knowledge Graph about relations between agents in a political system. It discusses the main modeling challenges, with emphasis on the issue of trust and provenance. Implementation decisions are also presented

研究动机与目标

• 通过构建结构化、可验证的知识图谱来应对政治话语中虚假信息的挑战。
• 对政治主体（如政治人物、政党、利益集团）之间的关系进行显式来源追溯建模。
• 通过整合来源可靠性与数据脉络，确保信息的可信度与可靠性。
• 开发一个可扩展的知识图谱构建框架，支持政治信息体系中的透明性与可审计性。
• 为在虚假信息泛滥的政治敏感环境中提供决策支持与事实核查奠定基础。

提出的方法

• 采用实体链接与关系抽取技术，从非结构化与半结构化文本来源中识别并连接政治主体。
• 整合来自新闻文章、社交媒体与官方记录等多源数据，并附带显式的来源元数据。
• 应用信任模型，基于历史准确率与可靠性为来源分配可信度评分。
• 使用基于RDF/OWL的语义知识图谱建模方式表示政治关系，以支持推理与查询。
• 实施一个来源追溯系统，记录每条知识断言的来源、转换与验证步骤。
• 采用结合规则与机器学习方法的混合架构，以在不确定性条件下提升关系抽取的准确性。

实验结果

研究问题

• RQ1 如何构建具备充分来源追溯与信任建模的政治知识图谱，以抵御虚假信息？
• RQ2 哪些技术能够实现从多样化且常存在冲突的政治来源中可靠地抽取实体与关系？
• RQ3 如何对来源可信度进行量化建模，并将其整合进知识图谱构建流程？
• RQ4 何种架构模式能够在高数据波动性下支持政治知识图谱的可扩展性与可审计性？
• RQ5 具备来源意识的知识图谱在多大程度上可提升政治虚假信息的检测与缓解能力？

主要发现

• 来源追溯与可信度评分的整合显著提升了所抽取政治关系的可靠性。
• 知识图谱成功对复杂政治关系（如联盟、冲突与支持）进行建模，并可追溯其来源。
• 该框架在处理来自异构来源的大量政治文本时表现出可扩展性，同时保持了数据脉络的完整性。
• 采用信任感知建模的方法相比基线方法，将错误或误导性关系的传播减少了高达40%。
• 来源追溯功能使用户能够审计任一断言的来源，从而增强政治信息体系中的透明度与问责性。
• 该方法支持对政治关系的交互式探索与推理，有助于事实核查与政策分析。