本文探讨了在社交媒体平台上进行自动立场检测的多种方法,包括神经模型和经典的分类器模型,并对它们的可复现性和比较性能进行了详细的研究和实验。
Jul, 2020
本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别,发现在进行态度检测时,存在时间不一致、不同建构和测量误差等问题,进一步为研究确定模型的局限性提供了一个框架,提供重要的见解。
Sep, 2021
该文综述了社交媒体上基于观点挖掘的新兴姿态检测技术,比较了不同领域的方法,包括自然语言处理、Web 科学和社交计算,并在现有基准数据集上介绍了这些姿态检测技术的最新结果,讨论了最有效的方法和技术,还探讨了社交媒体上姿态检测的新趋势和应用,最后总结了目前该领域存在的缺陷和未来发展方向。
Jun, 2020
该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法,并通过对六个政党在 20 个不同议题上的一致性进行分析,依据党派帐号的言论预测政治主张。结果表明,T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。
Apr, 2022
本文介绍了一种基于社交媒体的立场检测的方法,该方法使用了情感分析来帮助检测人们的立场,同时构建了一个用于训练和测试机器学习模型的数据集,并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。
May, 2016
通过利用事前训练语言模型作为世界知识源,利用推理过程生成中间推理步骤的链式思维上下文学习方法,Stance Reasoner 在社交媒体上的零样本立场检测方面优于现有技术,包括完全监督模型,并且能够更好地推广到不同的目标,并提供明确且可解释的解释其预测。
Mar, 2024
本文介绍了一种高度有效的非监督式框架,用于检测 prolific Twitter 用户对有争议话题的立场。该框架利用降维和聚类来找到不同立场的代表性核心用户,无需标记用户,可以在几秒钟或几分钟内进行手动标记,并且对于数据偏度具有鲁棒性。
Apr, 2019
本文提出一种新的目标特定立场检测任务 —— 会话立场检测,旨在推断给定数据实例及其相应的会话主题的立场。为此,通过六个主要的香港社交媒体平台,使用注释技术构建基准会话立场检测(CSD)数据集,提出一种模型 Branch-BERT,将上下文信息融入到会话线程中以预测要检测的立场,实验证明该模型相较于其他基线模型能够取得更好的结果表现。
Nov, 2022
本研究介绍了一种新的基于半监督学习的立场检测方法 SANDS,通过构建深度特征视图和利用社交网络提供的远程监督信号,SANDS 在美国和印度两个不同政治派别下的推文数据上获得了较高的 F1 得分 0.55 和 0.49。
Jan, 2022
本研究探讨了面向体育相关推特的立场检测问题,并使用基于 SVM 的分类器在不同的特征集上进行了评估,结果表明将基于 unigram、hashtags 和 named entities 的特征组合使用于 SVM 分类器中是该问题的一个可行方法。
Mar, 2018