COLINGMar, 2024

立场推理器：在社交媒体上的零样本立场检测与明确推理

PDF
TL;DR通过利用事前训练语言模型作为世界知识源，利用推理过程生成中间推理步骤的链式思维上下文学习方法，Stance Reasoner 在社交媒体上的零样本立场检测方面优于现有技术，包括完全监督模型，并且能够更好地推广到不同的目标，并提供明确且可解释的解释其预测。
发现论文，激发创造
  • 社交媒体上零样本立场检测的对抗学习

    本文提出一种基于对抗学习的零样本立场检测模型，能够在不同话题上实现最先进的性能和零样本迁移，有助于识别和理解社交媒体上的偏见新闻或评论。

    May, 2021

  • 零样本立场检测：使用广义主题表示的数据集和模型

    本文研究如何利用直觉表示捕捉话题之间的隐式关系，提出了一种适用于零样本学习的立场检测模型，并提出了一个新的数据集用于测试。结果表明，这个模型在许多有挑战性的语言现象上表现得更好。

    Oct, 2020

  • 利用零样本学习算法在推特上检测用户态度

    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

  • 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

  • 基于监督、零样本和少样本的立场检测应用

    本文通过确定立场检测任务的定义，提供了一个通用框架，并提供了三种不同的方法来执行立场检测：监督式分类、NLI 分类器的零样本分类和上下文学习。此外，本文论述了零样本和少样本语言分类器的应用和局限性与监督分类器的不同，并通过复制 Block Jr 等人 (2022) 的方法演示了零样本立场检测的应用。

    May, 2023

  • 利用情感和常识进行零样本立场检测

    文章提出一种包含情感、常识知识，并使用图自编码器模块获得常识知识的态度检测模型，通过在零样本设置下比较，研究结果显示该模型在 VAST 基准数据集上的表现优于现有最先进的方法。

    Aug, 2022

  • 社交媒体立场检测的可能因素分析

    本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

    Aug, 2019

  • 网络和社交媒体中的立场检测：一项比较研究

    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

  • 基于情感预训练的少样本跨语种立场检测

    本研究提出新的模型，在跨语言环境下实现了最全面的立场检测实验，通过基于情感的立场数据预训练，相较于几个强基准测试，以及低资源设置下取得了 6% 以上的 F1 绝对改善。

    Sep, 2021

  • 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