学习无偏新闻文章表示：一种知识注入方法
机器学习
2023-09-13 v1
摘要
量化在线新闻文章的政治倾向有助于理解社会群体中政治意识形态的动态及其缓解措施。然而，利用机器学习模型准确预测新闻文章的政治倾向是一项具有挑战性的任务。这是因为（i）新闻文章的政治意识形态由若干因素决定，以及（ii）现有学习模型在训练过程中天生带有新闻发布者政治偏见的偏差。目前研究新闻文章政治倾向的方法数量有限，且这些方法也未考虑算法政治偏见，这降低了机器学习模型对任一新新闻发布者所发布新闻文章政治倾向预测的泛化能力。在本工作中，我们提出了一种知识注入的深度学习模型，该模型利用相对可靠的外部数据资源，通过全局与局部上下文学习新闻文章的无偏表示。我们通过如下方式评估所提模型：使测试集中的新闻域名或新闻发布者在训练阶段完全不可见。在此设置下，我们表明所提模型缓解了算法政治偏见，并以高达73%的准确率在预测新闻文章政治倾向上优于基线方法。
引用
@article{arxiv.2309.05981,
title = {Learning Unbiased News Article Representations: A Knowledge-Infused Approach},
author = {Sadia Kamal and Jimmy Hartford and Jeremy Willis and Arunkumar Bagavathi},
journal= {arXiv preprint arXiv:2309.05981},
year = {2023}
}