本文利用推文和转发关系构建二分图，使用双重信息处理方法来更新用户的表示，并采用双分图神经网络模型 DoubleH，成功地将用户用户地位分类，证明了 DoubleH 方法在利用信息、稳定性和效率等方面的优越性。

Jan, 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

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

本文介绍了一种高度有效的非监督式框架，用于检测 prolific Twitter 用户对有争议话题的立场。该框架利用降维和聚类来找到不同立场的代表性核心用户，无需标记用户，可以在几秒钟或几分钟内进行手动标记，并且对于数据偏度具有鲁棒性。

Apr, 2019

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

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

该论文提出了一种基于 Stance Embedding 模型的社交网络分析方法，该模型能够识别用户在不同话题上的立场并将其通过 signed social graphs 表达，同时还能在缺少用户参与数据的情况下进行观点预测，作者使用 Twitter 数据集对该模型进行了验证，证明了 SEM 在话题分析方面的有效性。

Jan, 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

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。

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