评估目标参数在谣言态度分类中的作用
本研究探讨了一种基于情感和对话的特点的方法,应用于 SemEval2017 任务 8 - 子任务 A(英文推文中的谣言立场分类),用于预测 Twitter 中新兴谣言的用户立场,以支持、否认、询问或评论原始谣言,并证明了所提出的特征集的有效性。
Jan, 2019
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
本文通过对推特的开放态度分类,介绍了一种简单且高效的分类方法。该方法利用了一组新颖的、可自动识别的问题特定特征,显著提高了分类器准确性,同时在新近的基准数据集上获得了超过最先进的结果。这质疑了在进行基于态度的分类之前使用复杂模型而不先进行知情特征提取的价值。
Aug, 2017
本文提出了一种基于图卷积神经网络的层级多任务学习框架,用于同时预测 Twitter 上谣言立场和可信度,底部组件使用结构属性建模来分类谣言推文的立场,而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明,我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。
Sep, 2019
本篇论文介绍了一种新的方法,利用 Twitter 上树形结构的对话线程来确定支持、否认、质疑或仅评论谣言的状态分类,实现了提高分类准确度的效果。此外,本文第一次将 Twitter 对话模型化为树形结构,为解决 Twitter 对话上的 NLP 任务提供了创新性的思路。
Sep, 2016
研究论述了针对社交媒体中的谣言态度进行分类的方法,通过使用时序分类器,利用社交媒体交互或对话线程中固有的话语特征来评估其表现,结果显示出这种分类器对于特定的观点判断要比非时序分类器更为准确,LSTM 分类器的性能最佳,数据集和观点类型均表现出较高的准确性;此外,该研究分析了所研究的不同特征,并鉴别出在区分观点方面最有帮助的特征。
Dec, 2017
本文旨在开发一个自动化、监督的分类器,使用多任务学习来分类疑点话题中每个个体推文中的立场,从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程,探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明,我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面,我们的分类器非常有效。这是我们要提出的一种理想特征,用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。
Sep, 2016
本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架,通过对社交媒体上的巨量数据进行聚类和分析,解决了传统处理方法效率低下的问题,实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。
Jul, 2020
本论文提出了一种新的方法,通过提取特定的语篇关系信息从原始文本中提取带有银标签的数据,以微调用于态度分类的模型并提出了一个 3 阶段的训练框架,实现了从最嘈杂的数据到最少噪音的数据不断降噪。实验结果表明,自动注释的数据集以及 3 阶段训练有助于改善模型在态度分类中的性能,该方法在 NLPCC 2021 共 26 支队伍竞争的观点分类赛道中排名第一,验证了我们方法的有效性。
Apr, 2022