用于在线内容中宣传分类的跨领域学习

随着新闻和社交媒体中操纵性极化内容日益增多，检测此类宣传作为内容分析的一项新任务受到了关注。先前的工作集中于使用来自同一领域的训练数据进行监督学习。然而，由于宣传可能很微妙且不断演变，人工识别与恰当标注非常费力。因此，训练数据是一个主要瓶颈。在本文中，我们着手解决这一瓶颈，提出一种利用跨领域学习的方法，基于来自新闻和推文的标注文档与句子，以及宣传程度明显不同的政治演讲。我们设计了信息性特征，并利用跨领域学习构建了多种用于宣传标注的分类器。我们的实验证明了该方法的有效性，并指出了在迁移步骤中不同源与目标配置下的困难与局限。我们进一步分析了各类特征的影响，并刻画了宣传的显著指标。