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

本文提出一种新的目标特定立场检测任务 —— 会话立场检测，旨在推断给定数据实例及其相应的会话主题的立场。为此，通过六个主要的香港社交媒体平台，使用注释技术构建基准会话立场检测（CSD）数据集，提出一种模型 Branch-BERT，将上下文信息融入到会话线程中以预测要检测的立场，实验证明该模型相较于其他基线模型能够取得更好的结果表现。

Nov, 2022

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

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

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

文章探讨基于目标的立场检测，使用条件 LSTM 编码建立 tweet 的表示并考虑了目标未提及且缺乏训练数据的情况，在 SemEval 数据集上超越了大部分方法且当加入弱监督时达到了最优效果。

Jun, 2016

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

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

本教程旨在介绍立场检测领域的最新研究进展，并为有兴趣的研究人员和实践者提供开放的研究方向。立场检测是一个新兴的研究课题，利用给定的内容确定对于特定目标或目标集的立场，在各个领域中有着重要的应用机会。本教程包含两个部分，其中第一部分概述了立场检测的基本概念、问题、方法和资源，而第二部分涵盖了立场检测的开放性研究方向和应用领域。本教程将是立场检测、社交媒体分析、信息检索和自然语言处理领域研究人员和实践者的有用指南。

Oct, 2022

该文综述了社交媒体上基于观点挖掘的新兴姿态检测技术，比较了不同领域的方法，包括自然语言处理、Web 科学和社交计算，并在现有基准数据集上介绍了这些姿态检测技术的最新结果，讨论了最有效的方法和技术，还探讨了社交媒体上姿态检测的新趋势和应用，最后总结了目前该领域存在的缺陷和未来发展方向。

Jun, 2020