Stance Reasoner: Zero-Shot Stance Detection on Social Media with Explicit Reasoning

社交媒体平台是意见内容的丰富来源。立场检测允许从这些内容中自动提取用户对各种话题的意见。我们专注于零样本立场检测，其中模型的成功依赖于（a）对目标话题的知识；以及（b）学习可用于新话题的通用推理策略。我们提出了Stance Reasoner，这是一种在社交媒体上进行零样本立场检测的方法，它利用显式推理来指导模型对目标文件的立场进行推断。具体而言，我们的方法使用预训练的语言模型作为世界知识的来源，并采用上下文学习的思考链方法生成中间推理步骤。Stance Reasoner在包括完全监督模型在内的3个Twitter数据集上表现优于当前最先进的模型。它可以更好地跨目标进行泛化，同时为其预测提供明确且可解释的解释。

本文旨在解决社交媒体上的零样本立场检测问题，即如何在没有关于目标主题的先验知识的情况下，自动提取用户在各种主题上的观点。

本文提出了一种基于背景知识和推理策略的零样本立场检测方法，称为Stance Reasoner。该方法使用预训练语言模型作为世界知识的来源，并采用上下文学习的思路生成中间推理步骤。

Stance Reasoner在3个Twitter数据集上优于当前最先进的模型，包括完全监督模型。它可以更好地跨目标进行泛化，同时为其预测提供明确且可解释的解释。实验设计合理，使用了多个数据集，并提供了开源代码。

相关研究包括《Zero-shot Learning for Text Classification》、《Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly》等。