[论文解读] Knowledge Graph Augmented Political Perspective Detection in News Media.

Shangbin Feng, Zilong Chen+2 more|arXiv (Cornell University)|Aug 9, 2021

Topic Modeling参考文献 46被引用 6

一句话总结

本文提出了一种基于知识图谱增强的新闻媒体政治立场检测方法，通过构建融合文章语义与外部政治知识的异构信息网络，利用包含1,071个实体和10,703个三元组的知识图谱，采用门控关系图卷积网络，相较于最先进方法实现了5.49%的性能提升。

ABSTRACT

Identifying political perspective in news media has become an important task due to the rapid growth of political commentary and the increasingly polarized ideologies. Previous approaches only focus on leveraging the semantic information and leaves out the rich social and political context that helps individuals understand political stances. In this paper, we propose a perspective detection method that incorporates external knowledge of real-world politics. Specifically, we construct a contemporary political knowledge graph with 1,071 entities and 10,703 triples. We then build a heterogeneous information network for each news document that jointly models article semantics and external knowledge in knowledge graphs. Finally, we apply gated relational graph convolutional networks and conduct political perspective detection as graph-level classification. Extensive experiments show that our method achieves the best performance and outperforms state-of-the-art methods by 5.49%. Numerous 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

• 解决现有政治立场检测方法仅依赖语义特征而未整合现实世界政治与社会背景的局限性。
• 通过整合经过筛选的政治知识图谱中的外部知识，提升立场检测的准确性。
• 利用异构信息网络建模新闻文章语义与外部政治实体的联合表征。
• 评估基于图的方法在捕捉政治实体与新闻内容之间复杂关系方面的有效性。
• 证明外部知识在政治立场检测任务中能显著提升模型性能。

提出的方法

• 构建一个包含1,071个实体和10,703个三元组的当代政治知识图谱，用于表示现实世界中的政治关系与事实。
• 为每篇新闻文档构建一个异构信息网络，将文本语义与知识图谱中的节点和边进行整合。
• 应用门控关系图卷积网络（G-GCN）从异构网络中学习上下文表征。
• 端到端训练模型以进行图级别分类，预测政治立场。
• 在G-GCN中引入注意力机制，根据与政治立场的相关性动态加权实体之间的关系。
• 使用可微分损失函数联合优化节点表征与图级别分类。

实验结果

研究问题

• RQ1 整合外部政治知识在多大程度上提升了政治立场检测的性能？
• RQ2 异构信息网络在建模新闻语义与政治知识相互作用方面有多有效？
• RQ3 门控关系图卷积网络相较于标准GNN，在政治立场检测中是否能更好地捕捉关系模式？
• RQ4 所提框架中各组件（如知识图谱与图级别分类）的贡献如何？
• RQ5 该模型在不同政治立场与新闻来源之间是否具备良好的泛化能力？

主要发现

• 所提方法在政治立场检测准确率上相比最先进基线方法实现了5.49%的绝对提升。
• 消融实验证实，外部知识的整合显著提升了模型性能，验证了其必要性。
• 异构信息网络有效捕捉了语义与关系上下文，增强了分类的鲁棒性。
• 门控关系图卷积网络通过自适应学习关系特定的消息传递，优于标准GCN。
• 知识图谱构建过程成功在大规模上捕获了相关政治实体及其相互关系。
• 模型在不同新闻来源与政治立场间表现出强大的泛化能力，性能提升稳定一致。