ACLMay, 2020

Twitter 上立场检测的大规模数据集：会不会发生他们之间的事

PDF
TL;DR本文介绍了一个名为 Will-They-Won't-They (WT-WT) 的新的具有挑战性的立场检测数据集，其中包含 51,284 条英文推特，是目前可用的同类数据集中最大的。所有注释都是由专家进行的，因此该数据集构成了未来立场检测研究的高质量和可靠基准。我们对当前最先进的一系列立场检测系统进行的实验表明，该数据集对这一领域的现有模型构成了强大的挑战。
stance detectiondatasetenglishexpert annotationsstate-of-the-art models
发现论文，激发创造
  • 用于命名实体识别和立场检测的推特数据集标注

    本篇论文介绍了一份土耳其推文数据集，对其中的命名实体和立场信息进行了注释，并公开了其中的内容。它将有助于发现推文中命名实体识别和立场检测之间的可能关系。

    Jan, 2019

  • 推文中的立场和情感

    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

  • 回复和引用中的立场（SRQ）：用于学习 Twitter 会话中立场的新数据集

    通过对推特上有争议话题的帖子进行回复和引用回复的态度标注，创建了包含超过 5200 个态度标注的推特态度数据集，以提高谣言识别和用户间敌对关系判定的效果。同时，为了提高识别准确率，研究者还设计了引导标注数据选取的方法。研究表明，与单一信息源不同，收集回复和引述信息可以提高学习文本态度的准确性。

    Jun, 2020

  • 多模态立场检测：新数据集和模型

    通过整合文本和图像的多模态信息，文章提出了一种简单而有效的 TMPT 框架，利用目标信息从文本和视觉模态学习多模态姿态特征，并在三个基准数据集上取得了最先进的多模态姿态检测性能。

    Feb, 2024

  • MITRE 参加 SemEval-2016 任务 6：基于迁移学习的立场检测

    使用远程监督学习的 Word2Vec Skip-Gram 模型，以及递归神经网络，识别推文作者态度的高效系统。

    Jun, 2016

  • 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

  • COVMis-Stance 数据集：针对 COVID-19 误信息的 Twitter 立场检测

    本文为了解 Twitter 用户对 COVID-19 错误信息的立场，构建了一个新的 2631 个推文注释数据集，使用 MNLI 数据集和已有的 RumourEval 和 COVIDLies 数据集进行微调，评估了模型性能。结果表明，将 MNLI 和 RumourEval 以及 COVIDLies 数据集组合进行序列微调效果最佳。

    Apr, 2022

  • 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

  • 利用远程网络监督进行半监督推文态度检测

    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

  • 英 — 印度混合语语料库：立场注释和基础系统

    本研究使用新的 3545 英汉混合推文数据集，研究了社交媒体用户对 2016 年印度废钞事件的观点，并提出了一个基于各种机器学习技术的监督分类系统，以实现在 10 倍交叉验证下 58.7% 的准确性。

    May, 2018