党派至关重要：用作者属性增强立法者嵌入以进行投票预测
计算与语言
2018-05-22 v1 机器学习
摘要
预测国会议员将如何投票对于理解他们过去和未来的行为十分重要。然而，先前关于唱名投票预测的工作局限于单一会期设置，因而未考虑跨会期的泛化能力。在本文中，我们表明元数据对于在新情境下建模投票结果至关重要，因为会期间的变化会导致底层数据生成过程的变化。我们展示了在神经网络模型中用提案发起人的意识形态来增强议案文本，能够比先前的最先进（state-of-the-art）方法平均提升 4% 的准确率。
引用
@article{arxiv.1805.08182,
title = {Party Matters: Enhancing Legislative Embeddings with Author Attributes for Vote Prediction},
author = {Anastassia Kornilova and Daniel Argyle and Vlad Eidelman},
journal= {arXiv preprint arXiv:1805.08182},
year = {2018}
}