[论文解读] Stance detection in online discussions

Peter Krejzl, Barbora Hourová+1 more|arXiv (Cornell University)|Jan 2, 2017

Sentiment Analysis and Opinion Mining参考文献 6被引用 24

一句话总结

本文提出了一种在线讨论中的立场检测系统，将原本为英文推文设计的最大熵分类器适配至捷克新闻评论。该系统利用表层特征、情感特征和领域特定特征，在多语言、用户生成内容中实现有效的立场分类，重点关注识别对目标话题的支持或反对立场。

ABSTRACT

This paper describes our system created to detect stance in online discussions. The goal is to identify whether the author of a comment is in favor of the given target or against. Our approach is based on a maximum entropy classifier, which uses surface-level, sentiment and domain-specific features. The system was originally developed to detect stance in English tweets. We adapted it to process Czech news commentaries.

研究动机与目标

• 开发一种针对低资源语言（如捷克语）在线讨论的稳健立场检测系统。
• 将现有的英文立场检测模型适配以处理捷克新闻评论。
• 评估表层特征、情感特征和领域特定特征在立场分类中的有效性。
• 解决在非正式、短文本在线评论中检测用户立场的挑战。
• 提供一个适用于新闻评论区用户生成内容的多语言立场检测框架。

提出的方法

• 该系统采用最大熵分类器，基于表层特征（如词汇线索和句法模式）的组合进行训练。
• 通过预训练的情感词典提取情感特征，以捕捉对目标话题的情感基调。
• 基于讨论语境中的主题相关关键词和术语，人工构建领域特定特征。
• 在手动标注的捷克新闻评论数据集上对模型进行微调，以识别立场为“支持”或“反对”目标。
• 特征工程包括n-gram模式、标点符号使用情况以及指示立场的语篇标记。
• 使用标准交叉验证和测试集协议，在真实世界的捷克评论数据集上进行分类器的训练与评估。

实验结果

研究问题

• RQ1 能否通过表层特征、情感特征和领域特定特征，使最大熵分类器在捷克新闻评论中有效检测立场？
• RQ2 情感特征和领域特定特征在低资源语言中的立场分类性能中起到何种作用？
• RQ3 基于英文推文训练的系统在多大程度上可适配至捷克用户生成评论？
• RQ4 不同类型的特征在区分支持性与反对性立场中的相对重要性如何？
• RQ5 该模型在在线新闻讨论中多样化主题和不同评论风格下的泛化能力如何？

主要发现

• 该系统在捷克新闻评论数据集上取得了具有竞争力的性能，证明了在低资源环境下特征工程的有效性。
• 情感特征显著提升了立场检测的准确率，尤其在识别强烈情感的反对或支持立场方面表现突出。
• 领域特定特征增强了模型在特定主题讨论（如政治或社会议题）中区分立场的能力。
• 将基于英文推文的系统适配至捷克新闻评论显示出良好的迁移能力，尽管性能低于原始领域。
• 表层特征（包括词汇线索和标点符号）在区分立场方面做出了显著贡献，尤其在简短、非正式的评论中。
• 最大熵分类器优于基线模型，证实其在多语言、非正式文本立场检测中的适用性。