A Challenge Dataset and Effective Models for Conversational Stance Detection

以往的立场检测研究通常集中于评估单个实例内的立场，因此在有效建模多方讨论同一特定主题方面存在局限性，这在真实社交媒体交互中自然发生。这个约束主要是由于缺乏真实复制社交媒体语境的数据集，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提取立场，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，也只有50.47％的准确率，突显了会话立场检测面临的持续挑战。此外，我们的MT-CSD数据集作为一个有价值的资源，可以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中适应的。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。

本论文旨在解决多方讨论中的立场检测问题，提出了一个新的多轮对话立场检测数据集（MT-CSD），并提出了一个全局-局部注意力网络（GLAN）来解决对话数据中的长距离和短距离依赖关系。

论文的关键思路是提出了一个全局-局部注意力网络（GLAN），该网络可以有效地处理多方讨论中的立场检测问题。与当前领域的研究相比，该方法可以处理长距离和短距离依赖关系，并且使用了一个新的多轮对话数据集。

本论文提出了一个新的多轮对话立场检测数据集（MT-CSD），该数据集可以用于推动跨领域立场检测的研究。实验结果表明，即使是最先进的立场检测方法（如GLAN），其准确率仅为50.47％，这突显了对话立场检测中的持久挑战。此外，论文还提供了源代码、数据和模型，可供其他研究者使用。

最近在这个领域中，还有一些相关的研究，例如《A Hierarchical Multi-Label Classification Model for Stance Detection in Online Political Discourse》、《Stance Detection in Political Discourse Using Convolutional Neural Networks》等。