按年被提到
20162016 · 2 次2026
Predicting and Understanding Law-Making with Word Vectors and an Ensemble Model
用词向量与集成模型预测并理解立法过程
John J. Nay · 2016
用法案文本和背景变量预测美国国会法案能否成为法律
被提及 · 3 人首次 2016-07-20 · 最近 2017-02-08
3不同的人
3活跃月份
3讨论串
34被引(OpenAlex)
2001 至 2015 年美国国会提出近 70,000 项法案,只有 2,513 项成为法律,作者建立机器学习方法预测任一法案通过的概率,按届次滚动训练并以第 113 届国会作测试。模型用语言模型把法案每个句子嵌入语义向量空间,从而能研究哪些词会提高通过概率,并比较文本模型和只用背景变量的模型:提出时背景模型更好,用最新数据时文本模型更好,两者结合始终最佳,同时做了全局敏感性分析。
HN 为什么提它
输入里没有保留评论摘录,只能看出它在 2016 至 2017 年间被不同的人提起,大概是作为用机器学习分析立法的例子。
实证研究难度 2 / 5约 40 分钟有时效性
读之前最好知道
1词向量(word embeddings)
2集成学习(ensemble methods)
3文本分类基础
4美国立法流程常识
HN 书评
没有评论直接链到它;下面是它被提交的讨论串里回复最多的评论(不计入统计)讨论串里没有 ≥100 字的评论,只有提交记录。
被提交为 story · 3 次
- Predicting and Understanding Law-Making with Machine Learning ↗r721 · 2016-07-20 · 2 分
- Predicting and Understanding Law-Making with Machine Learning ↗adamnemecek · 2016-08-29 · 2 分
- Predicting and Understanding Law-Making with Machine Learning (2016) ↗sinak · 2017-02-08 · 2 分