论文列表——stance detection

这学期做了一些和stance detection相关的工作，stance detection，可理解为“立场检测”，stance即为人对个体、事物、事件所表现出的看法或者态度，如“支持、反对”。stance detection虽然也属于文本分类，但和基于主题的文本分类、情感分类有些差异，stance的表达是更隐晦的，因此分类难度更大。在此列出自己阅读论文的列表，部分论文直接列出一些简单的笔记，这些论文可读性不强（方法过于简单，或者论文本身的贡献不在方法上，没有太多记录成笔记的价值…），部分论文会逐步完善，给出简单的阅读笔记。阅读价值评分纯粹是基于自己对于文章的理解，标准包括：动机、方法、数据集质量、实验安排、相关工作等，满分为5（相对评分，即分值高低仅反映论文在以下列表中的可读价值，并不一定说明这篇文章有多好）。列表如下：

名称	所属会议(来源)	类型	时间	阅读价值	笔记
Modeling Stance in Student Essays	ACL	long paper	2016	1	自己构建的student essay数据集，包含800多篇，6分类；构建了很多特征，其中path-based features可以看看。实验效果比前人的基于feature set的模型要好一点。
Hawkes Processes for Continuous Time Sequence Classification: an Application to Rumour Stance Classification in Twitter	ACL	short paper	2016	1	较早的一篇文章，稍微看看就好。里面将Twitter转化为时序，进而用统计学模型进行求解的转化思路值得借鉴。
A Multidimensional Lexicon for Interpersonal Stancetaking Umashanthi	ACL	long paper	2017	1	…
Cross-Target Stance Classification with Self-Attention Networks	ACL	short paper	2018	3.5	在具有相似预测目标的不同态度分类数据集上进行迁移学习。将模型从数据集A中学习到的关于target的知识运用到数据集B的目标预测上。划重点，迁移学习。
Weakly-Guided User Stance Prediction via Joint Modeling of Content and Social Interaction	CIKM	long paper	2017	2.5	无监督的stance prediction。自己爬取的CNN news和4Forums；由于数据是跟debate forum相关的，因此每条post都有有十分丰富的上下文，并且上下文不同post之间会产生关系（支持、反驳等）。模型先根据一系列的上下文和不同post之间的关系，得出不同立场的词表，再得出用户在该topic下的stance极性打分。模型的具体方法没有细看，运用了一些启发式规则和限制条件下的最优化方法。本文的问题是围绕debate forum展开，数据集具有一定的特性，不同用户的相互支持、反驳使得能够无监督地聚类