[论文解读] 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 12

一句话总结

KGAP 提出了一种基于知识图谱增强的新闻媒体政治视角检测方法，通过异质信息网络框架整合领域特定的外部知识。该方法采用关系图神经网络进行图级别分类，在两个基准数据集上实现了最先进性能，有效融合了文本内容与政治知识。

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.

研究动机与目标

• 通过整合丰富的社会与政治背景信息，解决纯文本方法在政治视角检测中的局限性。
• 构建一个领域特定的知识图谱，作为新闻文章中政治推理的外部背景知识。
• 将政治视角检测建模为异质信息网络中的图级别分类任务，联合建模文本与知识。
• 证明外部知识在提升检测性能方面的重要性与有效性，超越仅依赖文本分析的局限。

提出的方法

• 构建一个包含 1,071 个实体和 10,703 个三元组的美国当代政治知识图谱，以提供领域特定的背景知识。
• 构建异质信息网络（HINs）来表示新闻文档，通过三种类型的边将文本内容（段落节点）与外部知识（实体节点）连接：文档-段落、段落-段落、段落-实体。
• 使用知识图谱嵌入（如 TransE、RotatE）作为初始节点特征，促进文本与知识之间的结构与语义交互。
• 应用关系图神经网络（R-GCN 与门控 R-GCN）进行图表示学习，支持跨异质节点与边类型的特征传播。
• 将政治视角检测建模为图级别分类任务，将整个新闻图分类为政治立场（如自由派或保守派）。
• 使用交叉熵损失端到端训练模型，并通过消融实验评估知识、文本建模与图结构的贡献。

实验结果

研究问题

• RQ1 仅依赖文本内容之外，外部领域知识是否能显著提升政治视角检测性能？
• RQ2 异质信息网络在整合文本表示与基于知识的表示方面，对政治立场分类的有效性如何？
• RQ3 不同知识图谱嵌入技术对政治视角检测模型性能的影响是什么？
• RQ4 文本建模方式（如 BERT 与轻量级模型）与图结构变化（如边移除）如何影响检测准确率？
• RQ5 关系图神经网络在多大程度上提升了政治视角检测的表示学习能力？

主要发现

• KGAP 在 SemEval 与 AllSides 两个基准数据集上均达到最先进性能，其中 SemEval 的宏平均 F1 得分为 84.94，AllSides 为 85.52，优于现有最先进方法。
• 消融实验表明，移除段落-实体边导致性能下降最大，尤其在规模较小的 SemEval 数据集上，凸显了外部知识整合的关键作用。
• 与简单 GNN（如 GCN）相比，使用关系图神经网络（如门控 R-GCN）显著提升性能，在 SemEval 上宏平均 F1 提升 2.3 个百分点。
• 先进的文本模型（如 BERT）始终优于简单模型，且当与新闻图结构结合时性能进一步提升，表明文本与图表示之间存在协同效应。
• 即使仅训练 10 个周期的知识图谱嵌入，其性能也优于随机初始化，证明该方法在不同嵌入初始化策略下均具有鲁棒性。
• 模型性能在不同知识图谱嵌入技术（如 TransE、RotatE）下保持稳定，表明该方法不依赖于特定嵌入方法。