EMNLPNov, 2022

知识图谱增强的生成式实体对实体立场检测

PDF
TL;DR本文引入了一项新的任务，即实体之间（E2E）的立场检测，旨在于能够在研究相互作用时识别实体及其立场；通过引入一种新的生成框架，强化模型，以及进一步引入图编码器来概括实体活动以及周围的外部知识，我们实验后得出在 E2E 立场检测方面，相对较强的效果。此外，我们还发现，E2E 立场检测对于理解媒体引用和立场文化以及推断实体意识形态非常有用。
stance detectionentity-to-entitye2egenerative frameworkgraph encoder
发现论文，激发创造
  • 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

  • 从维基百科注入知识以增强立场检测

    本文介绍了一种利用维基百科知识的立场检测算法 WS-BERT，通过将知识注入到立场编码中增强了算法的表现，在跨目标、少样本等多个数据集上性能显著优于现有方法。

    Apr, 2022

  • 使用扩展立场三角框架指导计算立场检测

    本文从语言学角度分解了立场检测任务，并详细研究了该任务中的关键组件和推理路径。作者扩展了先前提出的立场三角形语言框架，并使用该框架扩展了单一的训练语料库以增加注释。 实验结果表明，战略丰富的数据可以显着提高跨领域和跨目标评估的性能。

    May, 2023

  • 利用情感和常识进行零样本立场检测

    文章提出一种包含情感、常识知识，并使用图自编码器模块获得常识知识的态度检测模型，通过在零样本设置下比较，研究结果显示该模型在 VAST 基准数据集上的表现优于现有最先进的方法。

    Aug, 2022

  • STEM: 无监督结构化嵌入用于立场检测

    本文提出一种无监督的框架，用于姿态检测，基于构建多参与者讨论的相互作用网络并从中提取每个说话者的拓扑嵌入向量，用于区分不同阶层的持观点言论者，表现出色，并且揭示了嵌入与说话者表达的赞成度之间的关系。

    Dec, 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

  • 语言无关立场检测的关系嵌入

    该研究提出了一种利用社交信息生成关系嵌入的新方法，该方法可以应用于任何语言和目标，有助于在社交网络上进行立场检测。实验证明，将我们的关系嵌入与文本方法相结合可以显著提高性能。

    Oct, 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

  • STEntConv：利用立场检测和有符号图卷积网络预测异议

    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

  • 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