通过聚合多模态嵌入实现跨目标立场检测的少样本学习
计算与语言
2023-04-03 v2 社会与信息网络
摘要
尽管立场检测任务日益流行，现有方法主要局限于利用社交媒体帖子的文本内容进行分类，忽视了该任务的社交本质。在跨目标分类场景中，立场检测任务尤其具有挑战性，即使在少样本训练设置下，模型也需预测针对新目标的立场，而模型在训练期间仅见过少量相关样本。为利用该任务的社交本质解决社交媒体中的跨目标立场检测，我们引入 CT-TN，一种聚合源自数据文本与网络特征的多模态嵌入的新模型。我们在六种不同源-目标目标对组合的少样本跨目标场景下开展实验。通过将 CT-TN 与最先进的跨目标立场检测模型比较，我们证明了模型的有效性，在不同基线模型上实现了 11% 至 21% 的平均性能提升。不同样本数（shot）的实验表明，CT-TN 在见到目标目标的 300 个实例后即可超越其他模型。此外，消融实验证明了 CT-TN 各组分对最终性能的积极贡献。我们进一步分析了社交媒体用户间的网络交互，揭示了利用社交特征进行跨目标立场检测的潜力。
引用
@article{arxiv.2301.04535,
title = {Few-shot Learning for Cross-Target Stance Detection by Aggregating Multimodal Embeddings},
author = {Parisa Jamadi Khiabani and Arkaitz Zubiaga},
journal= {arXiv preprint arXiv:2301.04535},
year = {2023}
}
备注
To appear in IEEE Transactions on Computational Social Systems