EMNLPApr, 2021

跨领域标签自适应立场检测

PDF
TL;DR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。
stance detectioncross-domain learningunsupervised frameworkdomain adaptationmodel performance
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

  • 主题引导抽样方法用于数据有效的多场景立场检测

    提出一种名为 TESTED 的主题效率舆论检测方法，采用主题引导多样性采样技术和对比学习目标，可有效解决多领域舆论检测中的主题检测、领域自适应和类别不平衡问题。该方法不仅在同一主题内具有优异的表现，还在新主题下表现出极强的泛化性能，同时使用少量数据即可达到很好的效果，并可减轻不同标签标注之间的差异。

    Jun, 2023

  • 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

  • 跨语种立场检测的对比语言适应

    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。

    Oct, 2019

  • 使用对抗域泛化实现未见目标立场检测

    本研究探讨了目标领域差异对于对未见目标进行立场检测的影响，并采用基于注意力机制的条件编码以及对抗领域泛化技术进行研究。实验结果表明，我们的方法在 SemEval-2016 数据集上取得了新的最先进性能，从而证明了目标领域差异在未见目标立场检测中的重要性。

    Oct, 2020

  • DAN: 对新领域进行情感倾向分类器的双视图表示学习

    本文提出了一种基于双视图适应网络的领域自适应方法，通过识别领域间语言表达不同的立场表达类型，并将其分别学习适应，进而结合两个视图的部分最佳适应部分，以提高不同域中的立场数据匹配，进而提升单一视图状态下的方法。

    Mar, 2020

  • 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

  • OpenStance: 实现真实世界零样本立场检测

    本文研究了无样本态度检测的开放域问题，并提出使用间接监督和弱监督相结合的方法解决该问题，实验证明该方法可以取得比有监督方法更好的效果。

    Oct, 2022

  • 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

  • 基于对比学习的跨域特征增强的零样本态度检测

    本文提出了一种站立检测方法，该方法利用语法表达式模式来捕获可转移的知识，可以有效地适应未见目标，最终采用注意机制来预测先前未见目标并在四个基准数据集上表现出高于竞争基线的效果。

    Oct, 2022