A Challenge Dataset and Effective Models for Conversational Stance Detection

以往的立场检测研究通常集中在评估单个实例内的立场，因此在有效建模涉及同一特定主题的多方讨论方面存在局限性，而这在真实社交媒体互动中自然发生。这种限制主要是由于缺乏真实复制真实社交媒体上下文的数据集，阻碍了会话立场检测的研究进展。本文介绍了一个新的多轮会话立场检测数据集（称为MT-CSD），它包含多个目标，用于会话立场检测。为了从这个具有挑战性的数据集中推导出立场，我们提出了一个全局局部注意力网络（GLAN），以解决会话数据中固有的长距离和短距离依赖性。值得注意的是，即使是GLAN这样的最先进的立场检测方法，其准确率也仅有50.47％，突显了会话立场检测中持久的挑战。此外，我们的MT-CSD数据集作为一个宝贵的资源，可促进跨领域立场检测的进展，其中分类器是从不同但相关的目标进行调整的。我们相信，MT-CSD将有助于推进立场检测研究的实际应用。我们的源代码、数据和模型可在\url{https://github.com/nfq729/MT-CSD}上获得。

论文试图解决如何在多方讨论中识别观点立场的问题，提出了一个新的数据集MT-CSD和一个全局-局部注意力网络GLAN。

GLAN是一种能够处理长短期依赖的全局-局部注意力网络，可以识别多方讨论中的观点立场。

论文提出了一个新的多轮对话观点立场检测数据集MT-CSD，GLAN是当前最先进的方法之一，但其准确率仅为50.47％，表明多方讨论中的观点立场检测仍然具有挑战性。论文提供了数据集、源代码和模型，可供研究人员使用。

最近的相关研究包括“End-to-End Neural Multi-Modal Fusion for Opinion Question Answering over Social Media”和“Learning to Respond with Stance and Sentiment Analysis for End-to-End Multi-Turn Conversational Agents”等。