STEntConv: Predicting Disagreement with Stance Detection and a Signed Graph Convolutional Network

社交媒体平台的兴起导致了极端化的在线讨论增加，特别是在政治和社会文化话题上，如选举和气候变化。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立场，预测两篇帖子的作者是否同意或不同意。我们提出了STEntConv模型，该模型建立了一个用户和命名实体的图形，权重由立场决定，并训练了一个带符号的图形卷积网络（SGCN）来检测评论和回复帖子之间的分歧。我们进行了实验和消融研究，并展示了在Reddit帖子数据集上包括这些信息可以提高对一系列有争议的子论坛话题的分歧检测性能，而无需平台特定的特征或用户历史。

本论文试图解决社交媒体平台上针对政治和社会文化话题的极化在线讨论问题，提出一种基于用户立场的无监督方法来预测两个帖子作者是否同意或不同意。

该论文提出了一种名为STEntConv的模型，该模型利用用户关于命名实体的立场构建了一个用户和命名实体的图，并使用带符号的图卷积网络（SGCN）来检测评论和回复帖子之间的不一致性。

论文使用Reddit帖子数据集进行了实验和消融研究，并表明包括用户立场信息可以提高针对一系列有争议的子论坛主题的不一致性检测性能，而无需平台特定的特征或用户历史记录。

在相关研究方面，最近的研究包括Koutra等人的“Unifying Guilt-by-Association Approaches: Theorems and Algorithms”和Zhang等人的“Signed Graph Convolutional Network for Recommender Systems”。