无关于目标or特定于目标：简单且有效的零样本立场检测对比学习方法

©PaperWeekly 原创 · 作者 | 梁斌、陈子潇

单位 | 哈尔滨工业大学（深圳）

研究方向 | 情感分析、立场检测

内容简介

零样本立场检测（zero-shot stance detection）旨在通过已知目标/主题（target/ topic）的训练数据来对包含未知目标的测试数据进行立场检测。由于测试目标对于训练数据来说是未知的，所以零样本立场检测的一个重要挑战是需要从训练数据中学习可迁移的立场特征信息来对测试集中的未知目标进行立场检测。

在这个工作中，我们针对该任务提出了一种非常简单且有效的对比学习框架。具体地，我们巧妙地使用一个代理任务（pretext task）来辅助未知目标（target）的立场检测。该代理任务的目的是为每一个训练样本生成一个额外的标签（label），标记了该训练样本的立场表达（stance expression）是目标无关（target-invariant）或特定于目标（target-specific）。

因为，在这个任务中，之所以能预测训练集未见过的目标的立场，是天然存在一些可以修饰任何目标的立场表达，我们称之为目标无关的立场表达（target-invariant stance expression）。而另外一些，则可认为是只对某个（或某些）目标起效，我们称之为特定于目标（目标相关）的立场表达（target-specific stance expression）。

随后通过结合代理任务和原本的 label 信息，我们提出了一种基于代理任务的分层对比学习框架（PT-HCL），能使模型在区分出目标无关与相关的基础上区分样本的立场特征表示。最终在三个常用的公开数据集上的结果表明，我们提出的框架取得了目前最佳的性能。

同时，我们的方法也能直接迁移至少样本立场检测（few-shot stance detection）和跨目标立场检测（cross-target stance detection）任务，并取得最佳性能。此外，我们的方法无需任何额外的外部知识或监督信号，也能很好地迁移至其他的零样本分类任务。

论文信息：

Bin Liang, Zixiao Chen, Lin Gui, Yulan He, Min