通过使用用户 - 标签二分图和用户 - 用户交互图，开发了一个两阶段立场标签方法，首先使用用户 - 标签二分图的启发式机制更新用户和标签节点的立场关联，然后将这些标签与用户 - 用户交互图结合，使用半监督学习训练图神经网络模型。实验证明，该方法在评估气候变化和枪支管制等分裂性议题在社交媒体上的极化互动时优于零样本立场标签技术。

Apr, 2024

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

在本研究中，我们提出了一种立场感知的图神经网络（stance-aware GNN），利用用户立场主动预测信息传播，通过定制四条信息传递路径以及可训练的注意力权重来提供解释性。通过在真实数据集上评估，立场感知的 GNN 在击败基准测试 32.65％之外，并且在没有用户立场的先进 GNN 上超过 4.69％。此外，注意力权重表明相比支持立场，用户的反对立场对其邻居的行为有更大的影响，起到了社交纠正的作用来阻止信息传播。总的来说，我们的研究为平台提供了一种有效的预测模型来对抗错误信息，并强调用户立场在错误信息传播中的影响。

Oct, 2023

该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法，并通过对六个政党在 20 个不同议题上的一致性进行分析，依据党派帐号的言论预测政治主张。结果表明，T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。

Apr, 2022

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

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

社交媒体上恶劣行为的复苏对刻板观念、对个人和社会群体的仇恨言论以及虚假或扭曲的新闻产生了不良影响。引入基于图卷积数据的方法来更好地捕捉异构数据之间的依赖关系，为未来调节社交媒体平台上的交流提供了希望。我们提出并评估了一种基于图的方法来检测恶劣行为，具有普遍适用性，既不受语言也不受上下文限制。在本研究中，我们在几个 PAN 数据集上进行了实验验证，这些数据集是作为共享任务的一部分提供的，可以讨论所提出解决方案的结果。

Dec, 2023

本文通过使用图神经网络和半监督学习，结合文本和社交网络关系特征，可以实现更准确的仇恨言论检测，同时分析了网络邻居签名的重要性和模型的跨平台泛化能力。

Aug, 2021

本文提出了一种新的 bot 检测框架，使用由用户构成的异构图的拓扑结构建模，并模拟用户间的多样性关系。具体而言，通过关系图转换将异构网络中的节点表示学习为表示性图，并使用语义关注网络对用户和关系之间的信息进行聚合，得出表现良好的检测结果。

Sep, 2021

本文提出了一种新的动态异构图结构来联合建模方面提取和情感检测，实验结果表明，我们的模型优于现有最先进的模型，特别在多观点方面和无观点方面的情况下，性能显著提高。

Apr, 2020