本研究提出了一种利用社交关系图来辅助 (dis) agreement detection 的方法，使用了预训练的语言模型和 RGCN 来考虑文本信息和社交关系信息，得到了最先进的性能表现，特别是长评论 - 回复对中社交关系的作用得到了证明。

Feb, 2023

提出并评估了一种基于情感分析的在线争议检测方法，使用句子级情感表达序列作为分类器的特征，结果表明使用情感标记特征的分类器优于不使用，最佳模型在基于新创建的 Wikipedia Talk 页面争议集的测试中获得了 0.78 的 F1 得分和 0.80 的准确性。

Jun, 2016

社交媒体平台的兴起导致了在线讨论的极化增加，特别是在选举和气候变化等政治和社会文化议题上。我们提出了一种简单而新颖的无监督方法，利用用户在帖子中关于命名实体的观点，预测两个帖子的作者是否持相同立场。我们提出了 STEntConv，这是一种构建用户和命名实体之间带权重的图，并训练带符号图卷积网络（SGCN）来检测评论和回复帖子之间的分歧的模型。我们进行了实验和消融研究，并展示了在 Reddit 帖子数据集上，包含这些信息可以提高针对一系列有争议的子论坛主题的分歧检测性能，而无需特定平台特征或用户历史记录。

Mar, 2024

本文研究对话结构与对话语料库的关系，从线上论坛中的拒绝性对话入手，探查线上对话中表达和推断拒绝的特征，通过实验发现基于理论预测的特征可以被用于无需先确定特定讨论主题的识别拒绝性对话，且精度可以提升至 66%。

Sep, 2017

研究建立在 WikiDisputes 的语料库上，使用特征和神经网络模型，预测带有争议的维基百科讨论页面是否会被调解员升级为调解。结果表明，利用能够捕捉对话过程中语言标记变化的特征，和考虑对话结构的神经网络模型能更准确地预测结果。

Jan, 2021

本文提出了一种适用于在线社交平台的非一致性对话分析的统一模型，通过 GRN 层和非对称损失函数结合语气、语境和标签的嵌入实现，不需要训练为每个标签建立唯一的架构 / 模型，可达到与 SOTA 相当的结果。

May, 2023

本研究旨在利用隐含条件随机场检测影评人员的意见，此模型可在分析长篇未分段音频评论的同时，捕捉评论者意见的动态。研究中使用高级语言特征，涵盖句子级的语法特征、统计词嵌入模型和主观性词库。通过在 ICT-MMMO 语料库上进行评估，我们获得了 82% 的 F1 - 得分，并比逻辑回归和循环神经网络方法表现更好。研究还探讨了我们的系统将从通用书面文本数据中学习到的词嵌入模型适用于口语电影评论，并以此建模意见动态的能力。

Jun, 2018

本文提出两种利用字符级音韵、词嵌入和词性标注等特征解决社交媒体文本处理困难的模型，比现有技术在噪声环境下的表现更好， F1 得分比之前提高了 2.45% 和 3.69%。

Jun, 2019

提出一种新的联合模型，将递归神经网络和条件随机场集成到一个统一的框架中，以明确的方式同时提取方面和观点术语，并展示其在信息提取性能上的优越性。

Mar, 2016

本文提出了一种可扩展的方法，用于评估典型众包语义注释任务产生的标签嘈杂程度并减少标注过程中的错误，称之为动态自动冲突解决 (DACR)。该方法无需基本真值数据集，而是基于项目间注释不一致性，从而使 DACR 不仅更加准确，而且适用于各种标注任务。本文介绍了 DACR 在商业个人助手的大规模文本分类任务中的结果，并评估了与其他常见标注策略相比发现的内在歧义。

Dec, 2020