论文列表——stance detection

这学期做了一些和stance detection相关的工作，stance detection，可理解为“立场检测”，stance即为人对个体、事物、事件所表现出的看法或者态度，如“支持、反对”。stance detection虽然也属于文本分类，但和基于主题的文本分类、情感分类有些差异，stance的表达是更隐晦的，因此分类难度更大。在此列出自己阅读论文的列表，部分论文直接列出一些简单的笔记，这些论文可读性不强（方法过于简单，或者论文本身的贡献不在方法上，没有太多记录成笔记的价值…），部分论文会逐步完善，给出简单的阅读笔记。阅读价值评分纯粹是基于自己对于文章的理解，标准包括：动机、方法、数据集质量、实验安排、相关工作等，满分为5（相对评分，即分值高低仅反映论文在以下列表中的可读价值，并不一定说明这篇文章有多好）。列表如下：

名称	所属会议(来源)	类型	时间	阅读价值	笔记
Modeling Stance in Student Essays	ACL	long paper	2016	1	自己构建的student essay数据集，包含800多篇，6分类；构建了很多特征，其中path-based features可以看看。实验效果比前人的基于feature set的模型要好一点。
Hawkes Processes for Continuous Time Sequence Classification: an Application to Rumour Stance Classification in Twitter	ACL	short paper	2016	1	较早的一篇文章，稍微看看就好。里面将Twitter转化为时序，进而用统计学模型进行求解的转化思路值得借鉴。
A Multidimensional Lexicon for Interpersonal Stancetaking Umashanthi	ACL	long paper	2017	1	…
Cross-Target Stance Classification with Self-Attention Networks	ACL	short paper	2018	3.5	在具有相似预测目标的不同态度分类数据集上进行迁移学习。将模型从数据集A中学习到的关于target的知识运用到数据集B的目标预测上。划重点，迁移学习。
Weakly-Guided User Stance Prediction via Joint Modeling of Content and Social Interaction	CIKM	long paper	2017	2.5	无监督的stance prediction。自己爬取的CNN news和4Forums；由于数据是跟debate forum相关的，因此每条post都有有十分丰富的上下文，并且上下文不同post之间会产生关系（支持、反驳等）。模型先根据一系列的上下文和不同post之间的关系，得出不同立场的词表，再得出用户在该topic下的stance极性打分。模型的具体方法没有细看，运用了一些启发式规则和限制条件下的最优化方法。本文的问题是围绕debate forum展开，数据集具有一定的特性，不同用户的相互支持、反驳使得能够无监督地聚类不同态度的词汇表达。这和之前接触的stance detection任务不太相同。
A Temporal Attentional Model for Rumor Stance Classification	CIKM	short paper	2017	4	TO BE CONTINUED
A Joint Sentiment-Target-Stance Model for Stance Classification in Tweets	COLING	long paper	2016	2.5	SemEval 2016 task 6；前人工作在建模stance时，会将target和sentiment作为额外特征。而本文针对stance、target、sentiment联合建模。使用了概率图模型，反复看了几遍没看懂，暂时放弃。。。联合建模sentiment、target、stance，思路很好，但是方法上不太理解。或许将target、sentiment作为辅助信息加入NN，或者利用网络结构进行联合建模能更好地捕捉信息？
UTCNN: a Deep Learning Model of Stance Classificationon on Social Media Text	COLING	long paper	2016	3.5	TO BE CONTINUED
Stance Classification in Rumours as a Sequential Task Exploiting the Tree Structure of Social Media Conversations	COLING	long paper	2017	3.5	TO BE CONTINUED
Scrutable Feature Sets for Stance Classificatio	COLING	wordshop	2016	1	…
Structured Representation Learning for Online Debate Stance Prediction	COLING	long paper	2018	2	online debate stance prediction。4FORUMS，CREATEDEBATE的数据；文章将debate forum中的各类信息进行embedding，通过text embedding的相似性来找已知stance和待预测stance的embedding相似性。文中还针对一些依赖关系添加了限制条件。和另一篇CIKM2017的文章一样，都是讨论的debate forum的stance detection。不过跟目前要做的问题有差别。
Stance Detection with Hierarchical Attention Network	COLING	long paper	2018	4	TO BE CONTINUED
Predicting Stances from Social Media Posts using Factorization Machines	COLING	long paper	2018	2	stance detection on silent user。自己爬取的Twitter日语数据；使用FM进行建模，利用了四部分信息作为特征：用户信息、topic信息、用户在其它topic上的stance、用户的posts。实验部分只进行了各部分特征的实验，以及多数投票的baseline。角度新颖，但文章集里几乎没人做，数据也是用的自己的爬的。如果之后用FM的话可以回过头来看。
Can Rumour Stance Alone Predict Veracity?	COLING	long paper	2018	1	…
A Retrospective Analysis of the Fake News Challenge Stance Detection Task	COLING	2018	long paper	4.5	TO BE CONTINUED
A Dataset for Multi-Target Stance Classification	EACL	long paper	2017	3	这篇文章主要是提出了一个数据集，但这个问题和正在做的AIC、DF是类似的，即一个样本中含有多个target，需要预测对于不同target的态度（情感）。本篇文章也提出了一个框架，利用seq2seq，decoder端利用target1的label作为target2的预测输入一部分。这种方法假定了target之间是有关联的，比如针对两位选举候选人的看法，因此数据集构建中也是每条数据包含了两个target。这样还是把问题做的太细了，假设也太强，距离AIC、DF的实际问题还很远。
Stance Classification of Context-Dependent Claims	NAACL	long paper	2016	2.5	一篇比较水的文章，paper2paper的工作，在IBM之前构建的claim数据集上进行stance的检测。分为三步：1、识别给定topic和claim的目标；2、识别对应目标的情感；3、确定针对目标的表意是否一致。三部分的模型都用的传统方法，包括句法树、情感词、条件概率等。
Topical Stance Detection for Twitter: A Two-Phase LSTM Model Using Attention	ECIR	journal	2018	4	TO BE CONTINUED
Stance Detection with Bidirectional Conditional Encoding	EMNLP	long paper	2016	4.5	TO BE CONTINUED
ConStance: Modeling Annotation Contexts to Improve Stance Classification	EMNLP	long paper	2017	1	…
From Clickbait to Fake News Detection: An Approach based on Detecting the Stance of Headlines to Articles	EMNLP	short paper	2017	2.5	FNC-1；两阶段方法，先使用基于词形还原的n-gram来对headline和body的匹配度打分（自定义的公式），二分类为是否相关，若相关则使用LR继续判定细分的类别。这是FNC-1的9th的解法，很简单。足以反映基于词频、只依赖词频的模型已经能很好地解决这一问题。9th的得分为9270，1st为9556，并不需要神经网络。
Fake News Detection using Stacked Ensemble of Classifiers	EMNLP	workshop	2017	1	…
Stance classification with target-specific neural attention networks	IJCAI	long paper	2017	4.5	TO BE CONTINUED
Integrating Stance Detection and Fact Checking in a Unified Corpus	NAACL	short paper	2018	1	…
360 Stance Detection	NAACL	shrot paper	2018	2	自己爬的数据集；本文主要实现了一个web工具，用户输入一个query（topic），工具自动展示各大消息网站关于该topic的相关内容，以及标注的stance。
Automatic Stance Detection Using End-to-End Memory Networks	NAACL	long paper	2018	4.5	TO BE CONTINUED
Overview of NLPCC Shared Task 4: Stance Detection in Chinese Microblogs	NLPCC		2016	3.5	NLPCC 2016 shared task 4 的官方总结文章。主办方以新浪微博为数据源，采集了5个target共3000条数据做训练集（subtask A），数据是由学生标的。top-1选手使用的是手工特征+SVM/RF，其他也大多使用的是手工特征。在文章集中很少看到使用这个数据集的，方法不具有太大的创新价值，都发表在了NLPCC上，方法也多为传统方法。文章前面关于stance detection的任务定义、与情感分析的区别总结的很好，值得一看。以后如果要使用该数据集并进行结果对比时，再回来索引相关参赛队伍的文章。
Multi-Target Stance Detection via a Dynamic Memory-Augmented Network	SIGIR	short paper	2018	4	TO BE CONTINUED
SemEval-2016 Task 6: Detecting Stance in Tweets	SemEval		2016	5	TO BE CONTINUED
SemEval-2017 Task 8: RumourEval: Determining rumour veracity and support for rumours	SemEval		2017	5	TO BE CONTINUED
Detect Rumor and Stance Jointly by Neural Multi-task Learning	WWW	long paper	2018	4	TO BE CONTINUED
Ranking-based Method for News Stance Detection	WWW	short paper	2018	3.5	TO BE CONTINUED
Combining Neural, Statistical and External Features for Fake News Stance Identification	WWW	long paper	2018	4	TO BE CONTINUED
Detect Rumor and Stance Jointly by Neural Multi-task Learning	WWW	workshop	2018	4	FNC-1；三路神经网络分别编码：词向量特征、TF特征、外部特征。其中使用了skip-thought embedding，说可以衡量句子相似度。之后要去看一下。然后模型结构很普适，神经网络分别建模各部分特征，再由另一个神经网络来组合特征表示。
Detection and Resolution of Rumours in Social Media: A Survey	ACM Computing Surveys	journal	2018	5	Survey
Combining Similarity Features and Deep Representation Learning for Stance Detection in the Context of Checking Fake News	ACM Journal of Data and Information Quality	journal	2018	5	TO BE CONTINUED

缩写解释：

• AIC：AI Challenger
• DF：Data Fountain
• FNC-1：Fake News Challenge — 1st period

TO BE CONTINUED 标注的论文，会在后面单开博文来详细讲。