论文阅读笔记：Knowledge Graph Augmented Political Perspective Detection in News Media

目的：political观点预测，过去工作关注语义信息，很少利用社交和political·背景进行political立场分析。

方法概述：利用外部信息（外部political知识图，1071个实体和10703个三元组）和新闻文章建立一个异质的图网络，利用图卷积网络进行图分类；

1.构建一个当代political知识图作为新闻文本的外部信息

2.学习实体和关系的嵌入表示（为上述构建的外部知识图）

3.建立一个异质的信息网络，包括新闻文本的内容和提到的实体

4.构建模型对political进行观点预测

方法详述：

1：首先获得political实体，然后在维基百科检索实体之间的关系，得到三元组。political图如下：

2.图嵌入表示

将{实体，关系，三元组}使用TransE进图表示，得到实体和关系的向量

3.新闻文档嵌入表示

使用语言模型，预训练语言模型对文本信息进行向量表示。本文使用RoBERT进行编码

  

 d表示新闻的标题，p表示新闻中不同的段落

 3.图结构

HINs:异质信息的网络结构   

异质信息就是包括文本信息和实体信息，具体如下表：

把标题，段落，实体的向量输入到全连接层获得向量表示。。。

文章标题

 段落

 实体

定义完节点后，再定义三种不同类型的边：O = doc -para; para-para; para-ent   

最后新闻和外部信息整合为如下结构：

 

从GCN到RGCN，从同构图到异构图。

RGCN提供了一个异构图多关系融合方案的尝试版，那HAN就是在这个的基础上，把Attention给加进来了，并添加了一个分层的粒度attention（node-level attention 与semantic-level attention）的结构

 4.学习和优化过程

 一顿公式计算-----反正得到的是整个图的向量表示vg。

 模型的预测

损失函数，y是新闻的文章数，Y是预测的标签，可学习参数，超参数。

5.数据集

6.baselines

7.实验环境

8.实验结果