ACLJun, 2023

主题引导抽样方法用于数据有效的多场景立场检测

PDF
TL;DR提出一种名为 TESTED 的主题效率舆论检测方法，采用主题引导多样性采样技术和对比学习目标，可有效解决多领域舆论检测中的主题检测、领域自适应和类别不平衡问题。该方法不仅在同一主题内具有优异的表现，还在新主题下表现出极强的泛化性能，同时使用少量数据即可达到很好的效果，并可减轻不同标签标注之间的差异。
stance detectiontopic detectiondomain adaptationclass imbalancecontrastive learning
发现论文，激发创造
  • 跨领域标签自适应立场检测

    本文深入分析了 16 个不同领域的看法检测数据集，探索了跨领域学习的可能性，并提出一种端到端的无监督框架，结合了混合专家和领域对抗训练技术与标签嵌入，对强基线在领域内和领域外的预测获得了显著的性能提升，并对跨领域结果进行了详尽的分析，突出了影响模型性能的重要因素。

    Apr, 2021

  • 立场检测的对抗领域适应

    本文研究了支持态度检测的新方法，使用了基于机器学习的自适应领域转换模型，证明了其在不同领域下的检测效率。

    Feb, 2019

  • 对比学习与反事实生成的领域自适应跨目标观点检测

    通过对比学习和反事实生成引入了一种新颖的领域自适应跨目标立场检测模型 STANC-C3，利用反事实数据增强培训过程中的目标领域数据集，并且需要更少来自新领域的信息，通过在多个数据集上的实验，表明 STANC-C3 相对于现有的最先进的方法显示了性能的提升。

    Sep, 2023

  • 计算立场检测的多标签和多目标机器注释采样

    研究了利用大型语言模型进行自动标注来进行计算立场检测，引入了多标签和多目标采样策略以优化标注质量，实验证明该方法能明显提高性能和学习效果。

    Nov, 2023

  • 多模态立场检测：新数据集和模型

    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

  • 立场检测基准测试：您的立场检测有多稳健？

    本研究提出并实现了一个以多数据集学习及迁移学习为基础的立场检测基准测试集，强调了多任务学习方法中健壮性和去偏差策略的必要性，并针对所提出的基准测试集进行了分析和讨论。

    Jan, 2020

  • OpenStance: 实现真实世界零样本立场检测

    本文研究了无样本态度检测的开放域问题，并提出使用间接监督和弱监督相结合的方法解决该问题，实验证明该方法可以取得比有监督方法更好的效果。

    Oct, 2022

  • Stance 检测是主题无关和跨主题通用的吗？—— 一项再现性研究

    通过成功重现 Reimers 等人（2019 年）的跨主题立场检测工作并系统地分析其可重现性，我们发现立场检测在话题独立性和跨主题一致性方面存在问题，特别是在词汇和社会文化背景方面。因此，研究不同话题上的性能，并解决话题特定的词汇和背景，是跨主题立场检测的未来发展方向。

    Oct, 2021

  • 对话立场检测的挑战数据集和有效模型

    本文介绍了一个新的多轮对话立场检测数据集（称为 MT-CSD），提出了一种全局 - 局部注意网络（GLAN）来解决对话数据中存在的长距离和短距离依赖性，还讨论了跨领域立场检测的挑战和对进展的贡献。

    Mar, 2024

  • 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