融合社会语境与专家知识的立法者表示学习

对政治行为者的意识形态视角进行建模是计算政治科学中的一项基本任务，在诸多下游任务中有应用。现有方法通常局限于文本数据与投票记录，忽视了丰富的社会语境和有价值的专家知识以进行整体评估。本文提出一种政治行为者的表示学习框架，联合利用社会语境与专家知识。具体而言，我们检索并提取关于立法者的事实性陈述以利用社会语境信息。随后我们构建异质信息网络以融入社会语境，并使用关系图神经网络学习立法者表示。最后，我们以三个目标训练模型，使表示学习与专家知识对齐、建模意识形态立场一致性，并模拟回音室现象。大量实验表明，我们学到的表示在三个下游任务中成功推进了最先进水平。进一步分析证明了所学立法者表示与多种社会政治因素之间的相关性，并证实了在社会语境与专家知识对政治行为者建模中的必要性。