Sep, 2023

对比学习与反事实生成的领域自适应跨目标观点检测

PDF
TL;DR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。
stance detectioncovid-19domain-specific modelcounterfactual data augmentationcross-target stance detection
发现论文，激发创造
  • 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

  • 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

  • 基于对比学习的跨域特征增强的零样本态度检测

    本文提出了一种站立检测方法，该方法利用语法表达式模式来捕获可转移的知识，可以有效地适应未见目标，最终采用注意机制来预测先前未见目标并在四个基准数据集上表现出高于竞争基线的效果。

    Oct, 2022

  • 跨语种立场检测的对比语言适应

    本文研究了跨语言立场检测，提出了一种新颖的对抗语言适应方法应用于记忆网络，确保源语言和目标语言之间的立场对齐，可以有效地处理目标语言中标注数据有限的挑战。实验结果表明，与当前最先进的方法相比，该方法的有效性得到了证明。

    Oct, 2019

  • 深入对话线程，改进社交媒体平台上的目标特定立场检测

    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

  • CoSD: 协作立场检测与对比异构主题图学习

    Collaborative stance detection framework (CoSD) utilizes contrastive heterogeneous topic graph learning and collaborative signals to enhance stance detection, achieving state-of-the-art performance and explainability.

    Apr, 2024

  • 使用对抗域泛化实现未见目标立场检测

    本研究探讨了目标领域差异对于对未见目标进行立场检测的影响，并采用基于注意力机制的条件编码以及对抗领域泛化技术进行研究。实验结果表明，我们的方法在 SemEval-2016 数据集上取得了新的最先进性能，从而证明了目标领域差异在未见目标立场检测中的重要性。

    Oct, 2020

  • 主题引导抽样方法用于数据有效的多场景立场检测

    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。

    Jun, 2023

  • 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

  • 通过利用目标观点进行跨目标立场检测

    本文提出了一种多角度提示调整模型（MPPT）用于跨目标立场检测（CTSD），利用分析视角作为知识转移的桥梁，通过提供多视角的自然语言解释来融合到立场预测中，实验证明了 MPPT 在 CTSD 任务中的优越性。

    Jan, 2024