论文笔记：Encoding Social Information with Graph Convolutional Networks forPolitical Perspective *****

Encoding Social Information with Graph Convolutional Networks for Political Perspective Detection in News Media

判断文本的意识形态，利用传播信息的社会背景来缓解这个问题，在无法获得直接监督时，提供基于认可文本内容并传播该内容的用户信息的远程监督来源（文档级别的分类依赖于通过社交网络传播的意识形态）

嵌入的文档不止需要考虑其文本的内容，也要从其属于的社交网络中获得知识。

 

数据：我们关注美国新闻报道。我们的语料库由超过10k篇文章组成，涵盖超过2k个不同的新闻事件，大约94个不同的主题，发生在8年的时间里。我们删除了关于文章来源的任何信息，使用众包方式对文章的意识形态进行标注；只依赖文本和社交媒体上对它的反应。为了捕捉这些信息，我们收集了一组在推特上分享新闻文章的1.6k用户，少数政治用户被分享文章的用户所关注。该问题作为分类问题（左倾右倾中立）。

数据分割：随机分，按照事件分，按照时间分，事件的相同事件在同一文件夹中，按照时间分，将时间平均分为三段。

 

图构建：G={V, E}

V：节点，P（已知意识形态的人物和机构），U（普通用户，意识形态未知，但是他们经常分析新闻文章，以及关注P），A（被用户分享的新闻文章）

E：边  U--P的边，表示关注；  A--U的边，表示分享；

新闻文本的特征向量表示，（仅使用文本和标签得到一个结果）：

 

图谱的特征表示：将所有的图节点映射到一个低维向量空间中，这样图的关系就保留在嵌入空间中。在共享嵌入空间中，图中连接(或接近)的节点在其向量表示之间应该具有更高的相似性分数。

图中的两种不同关系分别定义损失函数。

正确标签的负对数似然作为分类训练损失：

最终损失函数定义为：

使用GCN获取图的节点的特征表示：

得到文档的特征表示。

联合模型：

 仅有少数政治家（已知意识形态）充当标签；（远程监督）

把新闻的标签也给出（完全监督）

达到的目的，给出一篇新闻的社会背景，就能知道这篇新闻的意识形态