Oct, 2019

跨语种立场检测的对比语言适应

PDF
TL;DR本文研究了跨语言立场检测，提出了一种新颖的对抗语言适应方法应用于记忆网络，确保源语言和目标语言之间的立场对齐，可以有效地处理目标语言中标注数据有限的挑战。实验结果表明，与当前最先进的方法相比，该方法的有效性得到了证明。
cross-lingualstance detectionlanguage adaptationmemory networkslimited labeled data
发现论文，激发创造
  • 立场检测的对抗领域适应

    本文研究了支持态度检测的新方法，使用了基于机器学习的自适应领域转换模型，证明了其在不同领域下的检测效率。

    Feb, 2019

  • 基于交叉注意力的立场检测上下文信息整合

    使用双编码器模型将来自不同来源的上下文信息与预训练语言模型相结合，提高文本领域内作者立场识别的准确度。

    Nov, 2022

  • 跨领域标签自适应立场检测

    本文深入分析了 16 个不同领域的看法检测数据集，探索了跨领域学习的可能性，并提出一种端到端的无监督框架，结合了混合专家和领域对抗训练技术与标签嵌入，对强基线在领域内和领域外的预测获得了显著的性能提升，并对跨领域结果进行了详尽的分析，突出了影响模型性能的重要因素。

    Apr, 2021

  • 基于情感预训练的少样本跨语种立场检测

    本研究提出新的模型，在跨语言环境下实现了最全面的立场检测实验，通过基于情感的立场数据预训练，相较于几个强基准测试，以及低资源设置下取得了 6% 以上的 F1 绝对改善。

    Sep, 2021

  • 对比学习与反事实生成的领域自适应跨目标观点检测

    通过对比学习和反事实生成引入了一种新颖的领域自适应跨目标立场检测模型 STANC-C3，利用反事实数据增强培训过程中的目标领域数据集，并且需要更少来自新领域的信息，通过在多个数据集上的实验，表明 STANC-C3 相对于现有的最先进的方法显示了性能的提升。

    Sep, 2023

  • 通过对抗性语言适应实现零样本跨语言立场检测

    在多语言状态检测领域，本论文首次引入零样本跨语言状态检测方法（MTAB），通过翻译增强和对抗学习提升了模型效果，实验证明了该方法的有效性。

    Apr, 2024

  • X-Stance: 一个用于立场检测的多语言、多目标数据集

    利用来自瑞士选举候选人的评论，构建了一个多语言立场检测数据集，包含 3 种语言的 67,000 条评论，预先加入自然问题代表目标，并用此训练出一种适用于所有政治问题的单一模型，使用多语言 BERT 的基线结果表明，该方法在零样本的情况下，进行跨语言和跨目标的转移效果相对成功。

    Mar, 2020

  • 连接领域差距：针对祖鲁语的立场检测

    本论文旨在将英语在反谬误领域的研究成果转移到其他语言上，提出了一种利用领域自适应技术的黑盒式非侵入式方法，通过对低质量数据集的监督与非监督学习使领域差距减小，在不需要人类专家的情况下，可在 Zulu 语言的立场检测方面达到与英语类似的结果，并提供了 Zulu 语言的数据集。实验结果表明，利用英语数据集和机器翻译技术可提高英语数据以及其他语言的性能。

    May, 2022

  • 基于自动化技术的复杂主题和小语种中的立场检测：以极化新闻媒体中的移民问题为例

    本文旨在研究大型语言模型在对于语言数据集难以获得的语言，如形态复杂、资源较少的语言中进行自动立场检测的适用性，同时探索了 ChatGPT 作为一种全零样本分类器的可行性，结果表明 ChatGPT 的性能可与有监督学习相当。最佳模型的应用还可用于研究爱沙尼亚主流新闻来源和右翼民粹主义新闻来源在七年间的历时趋势，并探讨立场变更与现实事件的对应关系，这为新闻分析和媒体监测提供了一个更为简单和省钱的文本分类任务的替代方案。

    May, 2023

  • 对话立场检测的挑战数据集和有效模型

    本文介绍了一个新的多轮对话立场检测数据集（称为 MT-CSD），提出了一种全局 - 局部注意网络（GLAN）来解决对话数据中存在的长距离和短距离依赖性，还讨论了跨领域立场检测的挑战和对进展的贡献。

    Mar, 2024