用于承诺具体性预测的深层序数回归
计算与语言
2019-09-04 v1
摘要
在选举竞选过程中会做出许多承诺，形成用于竞选策略政治分析与政府问责的重要语料。目前尚无公开可用的承诺标注数据集，多数政治分析依赖人工分析。本文中，我们整理了一个来自十一个澳大利亚联邦选举周期的宣言新颖数据集，其中包含超过 12,000 个按具体性（如修辞性 vs. 详细承诺）在细粒度尺度上标注的句子。我们提出了用于具体性预测的深层序数回归方法，涵盖有监督与半监督设定，并提供了经验结果证明所提技术相对于若干基线方法的有效性。我们分析了承诺具体性建模在一系列政策议题上执行意识形态预测中的效用，并进一步从捕捉跨选举周期政党特定议题显著性方面提供定性分析。
引用
@article{arxiv.1909.00187,
title = {Deep Ordinal Regression for Pledge Specificity Prediction},
author = {Shivashankar Subramanian and Trevor Cohn and Timothy Baldwin},
journal= {arXiv preprint arXiv:1909.00187},
year = {2019}
}
备注
Camera ready --- EMNLP 2019