基于文本的理想点
计算与语言
2020-07-23 v2 机器学习
机器学习
摘要
理想点模型通过分析立法者的投票来量化其政治立场，即理想点。但投票并非表达政治立场的唯一方式。立法者还会发表演讲、发布新闻稿和发推文。在本文中，我们引入了基于文本的理想点模型（TBIP），这是一种无监督概率主题模型，通过分析文本来量化作者的政治立场。我们用两类政治化文本数据演示了TBIP：美国参议院演讲和参议员推文。尽管该模型不分析他们的投票或政治派别，TBIP能按党派区分立法者，学习可解释的政治化主题，并推断出与经典的基于投票的理想点相近的理想点。分析文本而非投票的一个好处是，TBIP可以估计任何撰写政治文本者的理想点，包括无投票权的参与者。为此，我们用它研究了2020年民主党总统候选人的推文。仅使用其推文文本，它便沿着可解释的从进步派到温和派的光谱对他们进行了识别。
引用
@article{arxiv.2005.04232,
title = {Text-Based Ideal Points},
author = {Keyon Vafa and Suresh Naidu and David M. Blei},
journal= {arXiv preprint arXiv:2005.04232},
year = {2020}
}
备注
Appeared in Proceedings of the 2020 Conference of the Association for Computational Linguistics (ACL 2020)