提出一种基于图的深度学习架构 GraphNLI，利用图遍历来增强在线讨论中评论的上下文信息，提高评论情感极性和仇恨言论检测任务的性能。

Nov, 2022

本研究提出了一种系统来预测社交媒体平台上有害讨论，该解决方案使用上下文深度语言模型，并提出将最先发帖后的所有对话分析整合到最先发帖中，同时支持适应未来评论的分析。此外，将探讨针对特定社区的仇恨言论的分析是否会导致更有效的检测。我们从各种社区的 333,487 个 Reddit 讨论评估了我们的方法，发现社区特定建模将性能提高了两倍，并且捕捉更广泛的讨论背景的模型相对于有限背景的模型精度提高了 28％（最仇恨的内容提高了 35％）

Jan, 2023

社交媒体平台的兴起导致了在线讨论的极化增加，特别是在选举和气候变化等政治和社会文化议题上。我们提出了一种简单而新颖的无监督方法，利用用户在帖子中关于命名实体的观点，预测两个帖子的作者是否持相同立场。我们提出了 STEntConv，这是一种构建用户和命名实体之间带权重的图，并训练带符号图卷积网络（SGCN）来检测评论和回复帖子之间的分歧的模型。我们进行了实验和消融研究，并展示了在 Reddit 帖子数据集上，包含这些信息可以提高针对一系列有争议的子论坛主题的分歧检测性能，而无需特定平台特征或用户历史记录。

Mar, 2024

本研究提出了一种利用 Reddit 讨论区网络结构检测极化概念的最小监督方法，通过将道德心理学的见解融入到覆盖显著性和框架两个方面的极化模型中，以结构疏密学习与图神经网络相结合的架构为基础，捕捉右翼和左翼激进化等时态意识形态动态的概念和子讨论区的表征。

Apr, 2021

利用 “翻译 - 检索 - 翻译” 策略引入推理通识知识，然后将其整合到多语言预训练语言模型中以预测政治极性，证明我们的框架不受所使用的模型的影响，并具有潜力为新闻从业者、社会科学家、新闻制作人员和消费者带来好处。

Dec, 2022

本文介绍了一种新的方法，使用图形结构双向 LSTM 对社交媒体上的串行讨论进行建模，该方法代表了分层和时间会话结构。在 Reddit 讨论的评论受欢迎程度预测任务中，实验表明，所提出的模型比节点独立架构在不同的输入特征集上表现更好。分析表明，该模型在整个讨论过程中都具有优势，可以提高早期和晚期的检测效果。此外，使用带有双向树状状态更新的语言提示有助于识别具有争议性的评论。

Apr, 2017

本文提出了使用因子图模型来获取在线辩论平台上的论点结构特征，并将这些特征结合到基于 LSTM 的模型中，以预测哪位辩手的论点最有说服力。研究发现，在评估在线辩论中的论点说服力时，结合论点结构特征可以发挥重要作用。

Oct, 2020

该研究提出了一种基于图形的关注语义上下文建模（GASCOM）框架，用于在线对话理解，并利用此框架重新审视极性预测和仇恨言论检测两个研究领域，显著提高了两个任务的性能，并增加了可解释性。

Oct, 2023

通过结合知识图谱的方式，构建了一种自然语言推断模型，用于从网络的多样化来源中检索能够有效证明陈述错误的证据，从而进一步改进了证据检索系统。

Sep, 2021

通过辩论动态理论提出了一种自动推理知识图谱的新方法，以三段式分类为例，该方法基于增强学习代理和二进制分类器解释和预测关于知识图谱中观点真实性的辩论证据，从而可用于知识图谱的推理和链接预测，实验表明该方法优于其他基线模型。

Jan, 2020