提出一种基于分层 Transformer 的框架，结合话语级别和对话级别信息捕捉精细的上下文语义，同时考虑话语结构信息和距离变形的多任务学习方案，以实现对网络对话中马车出轨的预测。

Mar, 2023

通过基于图卷积神经网络的模型，考虑了对话的用户动态和公众看法对话语的影响，可以预测对话的失轨迹象，并在预测前采取积极的管理措施。通过经验评估，在 CGA 和 CMV 基准数据集上，相较于现有的模型，我们的模型可以有效地捕捉对话动态，并在性能上分别提升 1.5％和 1.7％。

Jun, 2023

自动预测公开在线对话中的偏离度可提供早期干预机会。我们将预训练语言编码器应用于此任务，并尝试将训练范式从静态转换为动态以增加预测范围。该方法在高质量数据环境下表现出更长平均预测范围，但在低质量数据环境下动态训练会传播噪音并对性能产生负面影响。

Oct, 2021

本研究旨在提出一种初始预测在线讨论是否会演变成骚扰或人身攻击的框架，该框架可以捕捉与未来在线讨论轨迹相关的优雅用语等语言特征，并在受控环境中展示了检测在线讨论的早期预警迹象的可行性。

May, 2018

使用在大规模的 Twitter 语料库上预训练并在我们任务上进行微调的基于注意力机制的 BERT 架构，有效地进行对社交媒体对话中的个人攻击和逻辑偏离行为的预测，此模型相较于我们作为基准所使用的 LSTM 模型表现出明显的优势。此外，通过综合过采样技术，可在相对较小的新颖数据集上进行微调，并减轻过度拟合问题。通过引入基于 Transformer 的模型，使该研究为预测 Twitter 上对话事件的实用工具奠定基础，以鼓励更好地互动在最普遍的社交媒体平台之一。

Nov, 2023

本论文旨在利用语言和社交特征预测未来在线讨论中针对性评论的出现和强度，并基于 Instagram 评论数据集，展示其在预测任务完成中的良好表现。

Apr, 2018

我们引入了动态对话总结的任务，通过构建一个人为编写的总结数据集并探索几种自动化基准来总结对话的动态。我们评估了这些总结是否能够通过一个已建立的下游任务 —— 预测正在进行的对话是否最终会发展成有害行为 —— 来捕捉对话的轨迹。我们证明这些总结对人类和自动化系统在预测任务上都有帮助。人们在阅读总结时，做出预测的速度是在阅读完整对话的三倍，并且更有信心。此外，与直接对对话记录进行预测相比，自动化预测系统在构建并基于对话动态总结进行预测时更加准确。

Apr, 2024

通过设计算法工具来提高用户对话中紧张氛围的意识并引导其积极回应，我们提出了一种不同于传统平台依靠管理员干预的方法。通过用户实验，我们发现这种积极主动的用户中心模式受到用户的欢迎，并可能在未来得到广泛应用。

Dec, 2022

通过 Reddit 网络社区的数据表明，研究者们可以使用新的会话特征和度量方法来提高在线对话的前景。通过使用新的预测模型，电子平台开发者可以优先排序更积极的对话，从而提高了对话质量和对参与者的各种积极影响力。

Feb, 2021

本文提出了一种面向在线对话分离的端到端框架，利用注意力机制和联合学习目标实现对话分离，并在 Ubuntu IRC 数据集上取得了表现最好的结果。

Oct, 2020