EMNLPOct, 2019

基于一致性线索的立场分类

PDF
TL;DR本文提出了一种利用 BERT 表征和新颖的一致性约束进行立场分类的神经网络模型，并在包括辩论网站在内的多个网站上的数据集上进行了实验，证明了我们的方法比现有基线方法更为有效。
stance classificationneural network modelbert representationsconsistency constraintperspectrum dataset
发现论文，激发创造
  • ConStance: 建模标注上下文以提高立场分类效果

    通过研究 Twitter 上的政治立场检测任务，开发了一个名为 ConStance 的模型，该模型可以同时估计金标注签和学习新实例的分类器，并且其学习的分类器在预测政治立场方面的表现比多种基线方法要好，同时该模型的可解释性参数能够阐明每个文本语境的影响。

    Aug, 2017

  • Tribrid: 立场分类及神经不一致检测

    该论文提出了一种基于神经架构如 BERT 的自动立场分类方法，通过将自动生成的否定观点纳入输入，并设计弱监督方法将多个预测结果相结合来提高分类准确性，或者利用置信度分数过滤出可疑预测结果来达到类人表现的目的。

    Sep, 2021

  • 网络和社交媒体中的立场检测：一项比较研究

    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

  • 社交媒体立场检测的可能因素分析

    本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

    Aug, 2019

  • 简单的开放态度分类用于谣言分析

    本文通过对推特的开放态度分类，介绍了一种简单且高效的分类方法。该方法利用了一组新颖的、可自动识别的问题特定特征，显著提高了分类器准确性，同时在新近的基准数据集上获得了超过最先进的结果。这质疑了在进行基于态度的分类之前使用复杂模型而不先进行知情特征提取的价值。

    Aug, 2017

  • 同侧立场分类任务：通过微调 BERT 模型促进论点立场分类

    研究计算论证正在被密切调查。我们建立了一个基于 BERT 体系结构的模型，细调了一个预先训练的 BERT 模型三个周期，并使用每个参数的前 512 个标记来预测两个参数是否具有相同的看法。该体系结构对于对立面立场分类任务非常有效，并提供了数据集，用于区分主题特定的正方和反方词汇。

    Apr, 2020

  • 运用序列分类器的社交媒体言论感情态度分类

    研究论述了针对社交媒体中的谣言态度进行分类的方法，通过使用时序分类器，利用社交媒体交互或对话线程中固有的话语特征来评估其表现，结果显示出这种分类器对于特定的观点判断要比非时序分类器更为准确，LSTM 分类器的性能最佳，数据集和观点类型均表现出较高的准确性；此外，该研究分析了所研究的不同特征，并鉴别出在区分观点方面最有帮助的特征。

    Dec, 2017

  • 当代议题倾向性预测：数据与实验

    研究使用预训练的双向变压器和情感信息，以改进对当代问题长时间讨论的立场检测，并创建一个新的含有情感信息的数据集，该数据集可用于浅层递归神经网络在低参数下达到了与经过微调的 BERT 相同的结果，同时使用简单的方法解释了哪些输入短语对于立场检测产生影响。

    May, 2020

  • 俄语立场预测：数据与分析

    本研究调查了针对俄罗斯语言的立场分类。同时，引入了一个新的 RuStance 数据集，以及用于该语言的文本分类方法进行基准测试，此外，该论文还为该语言中的立场预测提供了一个基线。

    Sep, 2018

  • (社交媒体数据中表达的态度) 与公共舆论调查之间的 (不) 一致性

    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