使用类亲和模型进行文本缩放

文本分类的概率方法在机器学习和自然语言处理中有着丰富的传统。然而，对于许多重要问题，类别预测并不令人感兴趣，因为类别是已知的，而重点转向估计与文本相关的潜在量，例如情感或意识形态。我们关注一个这样的问题：估计1991年爱尔兰议会信任投票中55位议员的意识形态立场。为了解决议会缩放问题及其他类似问题，我们开发了一个文本建模框架，允许行为者在“黑”与“白”两极对立之间的“灰色”光谱上占据潜在位置。我们能够通过测量单个单词所展现的影响来验证该模型的结果，并且能够通过使用句子级块自助法来量化缩放估计中的不确定性。将我们的方法应用于议会辩论，我们能够将议员在极端亲政府和极端反对派之间进行缩放，从而揭示出他们的演讲中未被投票或党派归属所捕捉到的细微差别。