SocialPET: Socially Informed Pattern Exploiting Training for Few-Shot Stance Detection in Social Media

我们的研究在面对某个特定目标的标记数据有限的情况下，通过引入SocialPET，一种利用语言模型进行社交信息分析的方法，推进了少样本立场检测的研究。我们的方法基于模式利用训练（PET）技术，通过使用语言模型将分类任务转化为填空问题。为了增强该方法的社交意识，我们利用社交媒体帖子周围的社交网络结构。我们证明了SocialPET在两个立场数据集Multi-target和P-Stance上的有效性，优于竞争性的立场检测模型以及基础模型PET，其中研究对象的标记实例只有100个。当我们深入研究结果时，我们发现SocialPET在识别“反对”类实例方面相对较强，而基础模型表现不佳。

本论文旨在解决少样本情况下社交媒体立场检测的问题，提出了一种基于语言模型和社交网络结构的新方法。

论文提出了SocialPET方法，该方法结合了Pattern Exploiting Training（PET）技术和社交网络结构，将分类任务视为填空问题，并利用语言模型和社交网络信息进行训练。

论文在两个立场检测数据集上进行了实验，证明了SocialPET方法的有效性，并且在识别'against'类别方面表现出色。论文还提供了数据集和代码的开源。

在相关研究中，立场检测领域的研究包括但不限于：'Few-Shot Learning for Stance Detection with Hierarchical Attention Networks'、'Stance Detection in Texts: A Comparative Study'、'An Unsupervised Approach to Political Stance Detection in Short Texts Using a Domain-Specific Word Embedding'。