SocialPET: Socially Informed Pattern Exploiting Training for Few-Shot Stance Detection in Social Media
Queen Mary University of London（伦敦玛丽女王大学）
针对社交媒体少样本立场检测标注数据不足的问题，提出融合社交网络结构的SocialPET方法，基于PET技术将任务转为完形填空，在仅100个标注样本时优于多个基线模型，且在反对类识别上表现突出。
2024-03-08 cs.CL cs.SI
Stance Detection on Social Media: State of the Art and Trends
The University of Edinburgh（爱丁堡大学）
社交媒体上的立场检测是用于各种社交和政治应用的新兴观点挖掘范例，其中情感分析可能是次优的。对于开发在包括自然语言处理、网络科学和社会计算的多个社区中变化的用于姿态检测方法的有效方法的研究兴趣一直在增长。本文调查了这些社区内的立场检测工作，并将其使用定位在社交媒体中当前的意见挖掘技术。它对社交媒体上的姿态检测技术进行了详尽的回顾，包括任务定义，姿态检测中的不同类型的目标，使用的特征集以及应用的各种机器学习方法。该调查报告了现有基准数据集在姿态检测方面的最新结果，并讨论了最有效的方法。此外，本研究还探讨了社交媒体上立场检测的新兴趋势和不同应用。该研究的结论是讨论了目前现有研究的差距，并强调了社交媒体上立场检测的未来可能方向。
2021-04-15 cs.CL cs.SI
Assessing Sentiment of the Expressed Stance on Social Media
The University of Edinburgh（爱丁堡大学）
立场检测是推断对给定主题或实体的观点是支持还是反对的任务。一个人可以通过使用积极或消极的语言来表达对一个话题的观点。本文探讨了如何在社交媒体上表达的立场，根据情感极性。当涉及到观点发现时，对立场和情绪之间的相似性有一个明显的误解，其中消极情绪被认为意味着反对立场，积极情绪意味着赞成立场。为了分析立场和情感之间的关系，我们构建了一个新的数据集，其中包含四个主题，并研究人们如何表达他们对这些主题的观点。我们通过对流行的立场基准SemEval立场数据集进行进一步分析来验证我们的结果。我们的分析表明，情绪和立场并不高度一致，因此，简单的情绪极性不能单独用于表示对给定主题的立场。
2019-08-08 cs.CL cs.SI
Your Stance is Exposed! Analysing Possible Factors for Stance Detection on Social Media
The University of Edinburgh（爱丁堡大学）
在多大程度上可以推断出用户对给定主题的立场？大多数关于站姿检测的研究都集中在分析用户关于给定主题的帖子以预测站姿。然而，社交媒体中的立场可以从可能反映用户信念的信号混合中推断出来，包括帖子和在线互动。本文研究了用户的各种在线特征，以检测他们对不同主题的立场。我们比较多组功能，包括主题内容，网络互动，用户的喜好，和在线网络连接。我们的目标是了解可以揭示用户立场的在线信号。实验应用于推文数据集的SemEval立场检测任务，其中包括五个主题。结果表明，用户的立场可以检测到多个信号的用户的在线活动，包括他们的帖子的主题，他们互动或遵循的网络，他们访问的网站，他们喜欢的内容。使用不同的网络功能的立场建模的性能与国家的最先进的报告模型，仅使用文本内容。此外，将网络和内容特征相结合，在SemEval数据集上获得了迄今为止最高的报告性能，F测量值为72.49%。我们进一步提出了一个广泛的分析，以显示这些不同的功能集可以揭示立场。我们的研究结果有明显的隐私影响，他们强调，立场是强烈嵌入在用户的在线社交网络，原则上，个人可以从他们的互动和连接，即使他们不发布有关的主题。
2019-08-08 cs.CL cs.SI
Improved Target-specific Stance Detection on Social Media Platforms by Delving into Conversation Threads
Hong Kong Baptist University（香港浸会大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The University of Hong Kong（香港大学）
社交媒体上特定于目标的立场检测旨在将帖子或评论等文本数据实例分类到目标问题的立场类别中，已成为一种新兴的重要观点挖掘范式。一个应用实例是克服疫苗在抗击冠状病毒大流行方面的犹豫。然而，现有的姿态检测策略仅依赖于单个实例，不能总是捕获给定目标的表达姿态。作为回应，我们提出了一个新的任务，称为会话姿态检测，这是推断对给定目标的姿态（例如，当给定数据实例及其对应的会话线程时。为了解决这个问题，我们首先提出了一个基准会话立场检测（CSD）数据集的立场和会话线程的结构的注释之间的实例基于六个主要的社交媒体平台在香港。为了从数据实例和会话线程中推断出所需的立场，我们提出了一个名为Branch-BERT的模型，该模型将上下文信息纳入会话线程中。在CSD数据集上的大量实验表明，我们提出的模型优于所有不使用上下文信息的基线模型。具体而言，与SemEval-2016任务6竞赛中的最先进方法相比，它将F1分数提高了10.3%。这表明了在社交媒体平台上检测目标特定立场时结合丰富的上下文信息的潜力，并暗示了构建未来立场检测任务的更实用的方法。
2022-11-06 cs.CL cs.SI
A Survey of Stance Detection on Social Media: New Directions and Perspectives
College of Big Data and Internet, Shenzhen Technology University（深圳技术大学大数据与互联网学院）；College of Computer Science and Software, Shenzhen University（深圳大学计算机与软件学院）；Hong Kong University of Science and Technology（香港科技大学）；School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）；School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间安全学院）；Peking University Shenzhen Graduate School（北京大学深圳研究生院）
本文系统综述了社交媒体立场检测的任务定义、数据集、传统模型与基于大语言模型的最新方法，分析了现有研究的优势与不足，并展望了多模态和低资源语言等未来方向。
2024-11-25 cs.CL cs.IR cs.SI
Using Gaussian Processes for Rumour Stance Classification in Social Media
University of Sheffield（谢菲尔德大学）；University of Melbourne（墨尔本大学）；University of Warwick（华威大学）
社交媒体往往充斥着谣言，而新的报道则在突发新闻中零碎地发布。有趣的是，人们可以挖掘社交媒体用户在这些情况下表达的多种反应，探索他们对谣言的立场，最终能够将高度争议的谣言标记为可能是虚假的。在这项工作中，我们着手开发一个自动化的、有监督的分类器，该分类器使用多任务学习来将谣言对话中每条推文中表达的立场分类为支持、否认或质疑谣言。使用基于高斯过程的分类器，并探索其在两个具有非常不同的特征和不同的立场分布的数据集上的有效性，我们表明，我们的方法始终优于竞争基线分类器。我们的分类器是特别有效的，在估计与一个给定的谣言，我们提出了作为一个理想的特性，一个谣言跟踪系统，将警告Twitter的普通用户和专业的新闻从业人员，当谣言被反驳的不同类型的立场的分布。
2016-09-07 cs.CL cs.IR cs.SI
Discourse-Aware Rumour Stance Classification in Social Media Using Sequential Classifiers
University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Sheffield（谢菲尔德大学）；University of Melbourne（墨尔本大学）；University of Copenhagen（哥本哈根大学）
谣言立场分类，定义为将特定社交媒体帖子的立场分类为支持，否认，质疑或评论早期帖子之一，正在成为研究人员越来越感兴趣的问题。虽然大多数以前的工作都集中在使用个人推文作为分类器的输入，在这里，我们报告的顺序分类器，利用社会媒体互动或“会话线程”固有的话语功能的性能。测试四个顺序分类器的有效性-霍克斯过程，线性链条件随机场（线性CRF），树结构条件随机场（树CRF）和长短期记忆网络（LSTM）-在与突发新闻故事相关的八个数据集上，并查看不同类型的本地和上下文特征，我们的工作为准确的立场分类器的开发提供了新的思路。我们发现，顺序分类器，利用社会媒体对话中的话语属性的使用，同时只使用本地功能，优于非顺序分类器。此外，我们还证明了使用精简特征集的LSTM可以优于其他顺序分类器;这种性能在数据集和立场类型之间是一致的。最后，我们的工作还分析了正在研究的不同特征，确定了那些最有助于识别和区分立场的特征，例如支持推文比否认推文更有可能伴随证据。我们还提出了一些未来研究的方向。
2017-12-06 cs.CL cs.SI
A Survey of Signed Network Mining in Social Media
Arizona State University（亚利桑那州立大学）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Yahoo Research, Yahoo! Inc（雅虎公司雅虎研究院）
现实世界中的许多关系都可以用正负连接的符号网络来表示，因此符号网络分析越来越受到多学科的关注。随着社交媒体网络的日益普及，签名网络分析已经从开发和测量理论发展到挖掘任务。在本文中，我们对社交媒体背景下挖掘签名网络进行了回顾，并讨论了一些有前途的研究方向和新领域。首先，我们给出了基本概念和独特的性质和原则的签署网络。然后对签名网络挖掘的任务进行了分类，并对有代表性的算法进行了回顾。我们还描述了一些尚未被广泛研究的正式定义的任务，并提出了研究方向，以扩大该领域的签署网络挖掘。
2016-06-20 cs.AI cs.SI physics.soc-ph
Signed-Graph Recommendation as Structural Consistency Maximization
Northeast Normal University（东北师范大学）
研究带符号社交推荐中结构噪声和数据稀疏性问题，提出SSC-Loop统一框架，通过三个模块实现结构、传播和语义一致性最大化，在Epinions和Slashdot实验中展现良好性能。
2026-07-08 cs.AI cs.SI
Few-shot Learning for Cross-Target Stance Detection by Aggregating Multimodal Embeddings
Queen Mary University of London（伦敦玛丽女王大学）
针对跨目标少样本立场检测任务，提出聚合文本与网络多模态嵌入的CT-TN模型，在六种目标对上实现11%至21%的性能提升，验证了社会特征的有效性。
2023-03-31 cs.CL cs.SI
Robust Stance Detection: Understanding Public Perceptions in Social Media
Arizona State University（亚利桑那州立大学）；NVIDIA（英伟达公司）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对立场检测跨领域迁移差、标注数据稀缺的问题，提出结合反事实增强与对比学习的STANCE-C3框架，并证明其跨领域和话题准确率持续优于现有模型。
2024-07-01 cs.CL cs.SI
Applying the Ego Network Model to Cross-Target Stance Detection
本文提出自我中心网络模型ENM和带符号自我中心网络模型SENM用于跨目标立场检测，在所需数据更少且更易获取的情况下达到与图神经网络模型CT-TN相似的准确率，并发现代表弱联系的外圈对立场预测更有用。
2024-07-01 cs.SI
Stance Detection on Social Media with Fine-Tuned Large Language Models
EPFL（洛桑联邦理工学院）
本研究评估了从机器学习到BERT再到LLMs的立场检测方法演变，通过微调ChatGPT、LLaMa-2和Mistral-7B并在零样本和少样本场景中测试，发现所有模型超越现有基准，其中开源模型LLaMa-2和Mistral-7B虽小但效率显著，凸显了LLMs在立场检测中的潜力。
2024-04-18 cs.CL cs.SI
Semi-supervised Stance Detection of Tweets Via Distant Network Supervision
Jadavpur University（贾达普大学）；IIIT-Delhi（印度德里信息技术学院）；IIT Bombay（印度理工学院孟买分校）
在社交媒体文本中检测和标记立场的强烈动机是仇恨言论检测，民意调查预测，参与预测和协调宣传检测。当今最好的神经立场检测器需要大量的训练数据，考虑到社交媒体文本和用户意见的快速变化，这是很难策划的。社交网络上的同质属性提供了粗粒度用户级立场的强烈信号。但是，用于tweet-level立场检测的半监督方法未能正确利用同质性。有鉴于此，我们提出了SANDS，一种新的半监督立场检测器。SANDS从很少的标签推文开始。它构建了tweets的多个深度特征视图。它还使用来自社交网络的远程监督信号来向组件学习器提供替代丢失信号。我们准备了两个新的推文数据集，包括来自两个人口统计数据（美国和印度）的超过87，000名用户发布的236，000条带有政治色彩的推文，他们的追随者-追随者图，以及语言学家注释的8，000多条推文。在基于美国（印度）的数据集上，SANDS的宏观F1得分为0.55（0.49），大大优于17个基线（包括SANDS的变体），特别是对于少数立场标签和嘈杂文本。在SANDS上进行的大量消融实验解开了文本和网络传播的立场信号的动态。
2022-01-05 cs.CL cs.LG cs.SI
Analyzing the Stance of Facebook Posts on Abortion Considering State-level Health and Social Compositions
本研究通过微调Transformer模型分析美国各州堕胎相关Facebook帖子的立场，发现反堕胎观点较多的州婴儿及孕产妇死亡率更高，且社交媒体立场与州堕胎法基本一致，强调需对弱势女性群体加强教育和保护。
2023-05-17 cs.SI
Stand for Something or Fall for Everything: Predict Misinformation Spread with Stance-Aware Graph Neural Networks
Stevens Institute of Technology（史蒂文斯理工学院）
提出立场感知 GNN，通过四条立场相关信息传递路径和注意力机制预测错误信息传播，并在真实数据集上显著优于基准与无立场 GNN。
2023-10-04 cs.AI cs.CY cs.LG
Revising Context, Shifting Simulated Stance: Auditing LLM-Based Stance Simulation in Online Discussions
Fudan University（复旦大学）；University of Rochester（罗切斯特大学）；Shanghai Innovation Institute（上海创新研究院）
本研究通过反事实语境修正框架审计LLM立场模拟，对比纯文本与多模态策略，评估平均方向性立场转变和立场转换率，揭示语境敏感性的有效性与鲁棒性。
2026-09-01 cs.CL cs.MM cs.SI
Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph
The University of Queensland（昆士兰大学）；University of Technology Sydney（悉尼科技大学）；University of Electronic Science and Technology of China（电子科技大学）
社交网络中的有符号链接预测旨在揭示用户（即节点）之间的潜在关系（即链接），给定观察到的用户（即节点）的现有积极和消极交互。大多数先前的努力都致力于学习节点嵌入与图神经网络（GNN），它保留了有符号的网络拓扑结构的消息传递沿边缘，以促进下游的链接预测任务。然而，现有的基于图的方法很难为以下三个问题提供人类可理解的解释：（1）聚合哪些邻居，（2）沿着哪条路径传播，以及（3）在学习过程中遵循哪种社会理论。为了回答上述问题，在本文中，我们研究如何调和\textit{balance}和\textit{status}社会规则与信息论，并开发了一个统一的框架，称为符号Infomax双曲图（\textbf{SIHG}）。通过最大化边缘极性和节点嵌入之间的互信息，可以识别支持边缘符号推断的最具代表性的相邻节点。与现有的只能在子空间中对朋友的特征进行分组的GNN不同，所提出的SIHG包含了签名注意模块，该模块还能够将敌对用户推离彼此以保持对抗的几何形状。反过来，学习到的边缘注意力地图的极性提供了对每个聚合中使用的社会理论的解释。为了对高阶用户关系和复杂层次结构进行建模，节点嵌入在具有较低失真的双曲空间中进行投影和测量。在四个有符号网络基准测试上的大量实验表明，所提出的SIHG框架在有符号链接预测方面明显优于现有技术。
2021-06-22 cs.AI cs.SI
Dynamic Emotions of Supporters and Opponents of Anti-racism Movement from George Floyd Protests
社交媒体使公民能够提高声音，表达公民的愤怒导致集体行动改变社会。由于社交媒体欢迎任何人，无论政治意识形态或观点如何，社交媒体是特定问题的支持者和反对者讨论的地方。本研究试图以立场预测和基于方面的情感分析（ABSA）为视角，对最近由乔治·弗洛伊德之死引发的反种族主义运动进行实证研究。首先，这项研究发现，在抗议过程中，推文和用户的立场确实发生了变化。此外，有更多的用户谁改变了立场相比，那些谁保持立场。第二，支持者和反对者都在九个方面表达了更多的负面情绪。这表明支持者和反对者之间的情绪没有显着差异，并提出了基于情绪预测立场的警告。这项研究的贡献是双重的。首先，ABSA是在计算社会科学的背景下探索的，其次，首次尝试大规模的立场预测。
2021-10-01 cs.CY cs.SI
Scalable AI-Driven Analytics for User Engagement and Stance Detection on Social Media
School of Computing, Macquarie University（麦考瑞大学计算学院）
提出一个可扩展的AI驱动服务框架，通过集成数据摄取、过滤、主题建模、情感分析和立场检测的模块化流水线，分析社交媒体上的用户参与和立场，并在包含700万条评论的YouTube数据集上验证其有效性。
2026-05-28 cs.SI
Rumor Stance Classification in Online Social Networks: The State-of-the-Art, Prospects, and Future Challenges
University of Tehran（德黑兰大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；University of Alberta（阿尔伯塔大学）；Nazarbayev University（纳扎尔巴耶夫大学）
本文针对复杂在线社交网络中的谣言立场分类任务开展全面文献综述，梳理对比各类方法的性能，介绍可用数据集及其局限，并提出未来挑战与研究方向以推动相关研究。
2022-10-31 cs.NI cs.SI
Applications of Structural Balance in Signed Social Networks
我们提出的措施，模型和链接预测算法的基础上签署的社交网络的结构平衡。某些社交网络除了通常的“朋友”链接外，还包含“敌人”链接。这些网络被称为签名社交网络。签名社交网络的经典和主要概念是结构平衡，即，三角形趋向于“平衡”，包括偶数个负边，如朋友-朋友-朋友和朋友-敌人-敌人三角形。在这篇文章中，我们介绍了几个新的签署网络分析方法，利用结构平衡测量部分平衡，发现社区的人的基础上平衡，绘制签署社交网络，并解决问题的链接预测。值得注意的是，所介绍的方法是基于符号图拉普拉斯算子和符号电阻距离的概念。我们评估我们的方法上收集的四个签名的社交网络数据集。
2014-02-27 cs.SI physics.soc-ph
Stance Classification in Rumours as a Sequential Task Exploiting the Tree Structure of Social Media Conversations
University of Warwick（华威大学）；University of Sheffield（谢菲尔德大学）
谣言立场分类，即确定讨论谣言的集合中的每条推文是支持，否认，质疑还是简单地评论谣言的任务，一直吸引着大量的兴趣。在这里，我们介绍了一种新的方法，利用在Twitter的树结构的会话线程中观察到的转换序列。会话线程是通过收集用户对彼此的回复而形成的，这导致了嵌套的树状结构。以前的工作解决的立场分类任务处理每个鸣叫作为一个单独的单元。在这里，我们分析推文凭借其在序列中的位置，并测试两个顺序分类，线性链CRF和树CRF，其中每一个使不同的假设的会话结构。我们用8个Twitter数据集进行了实验，这些数据集是在突发新闻期间收集的，结果表明，利用Twitter对话的顺序结构比非顺序方法有了显着的改进。我们的工作是第一个以这种方式将Twitter对话建模为树结构，引入了一种新的方式来处理Twitter对话上的NLP任务。
2016-10-11 cs.CL cs.SI
Content Fuzzing for Escaping Information Cocoons on Digital Social Media
University of California, Davis（加州大学戴维斯分校）；University of Hong Kong（香港大学）
研究通过ContentFuzz框架，从创作者角度出发，利用模糊化技术改变内容的机器推断立场标签，以突破信息茧房限制，促进多元观点的传播。
2026-04-07 cs.CL cs.SI
Carthago Delenda Est: Co-opetitive Indirect Information Diffusion Model for Influence Operations on Online Social Media
本研究提出Diluvsion智能体模型，模拟社交媒体上机器人的间接信息扩散对用户立场的影响，并通过参与度、非社交传播等机制验证，支持正统与非正统信息行动模拟。
2024-02-06 cs.CY cs.MA cs.SI
How do signs organize in directed signed social networks?
我们引入了一种重新洗牌的方法，从全局的角度对Epperly和Slashdots的真实有向符号社交网络中的符号组织进行了实证分析。在重排方法中，每个负链路具有概率$p_{rs}$与随机选择的另一个正链路交换其符号。通过计算每个重混签名网络的社会地位熵（$S_{in}$和$S_{out}$）并模拟多数规则模型的意见形成，我们发现$S_{in}$和$S_{out}$达到各自的最小值，而磁化强度$|m^{*}|$在$p_{rs}=0$达到最大值.也就是说，在现实的有向符号社交网络中，个体具有社会地位和动态地位的同质性。我们目前的工作提供了一些有趣的工具和视角来理解符号的社交网络中的符号组织。
2016-06-01 cs.SI physics.soc-ph
Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes in the Signed Networks
University of California Los Angeles（加州大学洛杉矶分校）
在数字互动时代，社交媒体上存在的人与人之间的关系可能与线下存在的相同互动不同。检查社交网络中成员之间的潜在或虚假关系是计算机科学家的一个丰富的研究领域-在这里，我们研究如何通过使用精确召回曲线和ROC下的区域来预测社交网络中两个未连接的人之间的关系。将社交网络建模为签名图，我们比较了Triadic模型，潜在信息模型和情感模型，并使用它们来预测对等交互，首先使用普通签名网络，然后使用带有评论的签名网络作为上下文。我们发现，我们的模型比随机模型要好得多，并且在不同的情况下可以相互补充。
2021-10-18 cs.AI cs.LG cs.SI
TwiUSD: A Benchmark Dataset and Structure-Aware LLM Framework for User Stance Detection
本文提出首个大规模人工标注且含社交关系的用户立场检测基准TwiUSD，并设计结构感知框架MRFG，通过大语言模型相关性过滤与自适应特征路由，在目标内和跨目标评估中均优于现有强基线。
2025-07-23 cs.SI
A Lightweight Approach for User and Keyword Classification in Controversial Topics
针对在线社交网络中争议话题的立场分类，提出一种仅需每立场一个关键词的轻量级随机游走方法，在用户和关键词分类上优于基线，且运行时间具竞争力。
2025-01-21 cs.SI
Signed Link Analysis in Social Media Networks
许多现实世界的关系可以由具有正链接的签名网络表示（例如，信任）和负链接（例如，不信任）。链接分析在理解链接形成中起着至关重要的作用，并且可以推进社会网络分析中的各种任务，例如链接预测。大多数现有的链接分析工作都集中在未签名的社交网络。负链接的存在决定了有符号网络的性质和原理与无符号网络有本质的区别，因此需要对有符号社交网络的链接分析进行专门的研究。本文在继承已有的无符号网络链接分析的社会学理论的基础上，采用情感信息、创新扩散和个体个性三种社会科学理论指导有符号网络的链接分析。
2016-03-22 cs.SI physics.soc-ph
Two-Stage Stance Labeling: User-Hashtag Heuristics with Graph Neural Networks
UNC-Charlotte（北卡罗来纳大学夏洛特分校）
针对社交媒体内容体量庞大、演变迅速导致的用户立场研究难题，提出结合用户-话题标签二分图启发式标注与用户交互图半监督GNN的两阶段方法，在气候变化、枪支管制推文数据集上性能优于文本分类器与GPT4零样本分类。
2024-05-17 cs.CL cs.LG cs.SI
Deep Hashing for Signed Social Network Embedding
Beijing Institute of Technology（北京理工大学）；Huazhong University of Science and Technology（华中科技大学）
网络嵌入是一种很有前途的网络表示方法，可以方便地处理和分析许多签名社交网络，如链接预测和节点分类。近年来，已有的几种嵌入算法都采用了特征散列算法来提高嵌入效率，并取得了很大的成功。然而，现有的基于特征散列的嵌入算法仅考虑签名社交网络中的正链接。直观地说，负面链接也有助于提高性能。因此，在本文中，我们提出了一种新的深度哈希方法，通过同时考虑正负链接，用于签名社交网络嵌入。大量的实验表明，该方法优于几个国家的最先进的基线，通过链接预测任务在两个现实世界中签署的社交网络。
2019-08-16 cs.LG cs.SI
Social Science Guided Feature Engineering: A Novel Approach to Signed Link Analysis
Arizona State University（亚利桑那州立大学）；Michigan State Universtiy（密歇根州立大学）
许多现实世界的关系可以由具有正链接的签名网络来表示（例如，友谊和信任）和负面链接（例如，不信任和不信任）。链接预测有助于推进社会网络分析中的任务，例如推荐系统。大多数现有的链接分析工作集中在未签名的社交网络。负链接的存在激起了研究兴趣，研究签名网络的属性和原理是否与未签名网络不同，并要求对签名社交网络进行专门的链接分析。最近的研究结果表明，有符号网络的属性与无符号网络的属性有很大的不同，负链接可以以互补的方式对有符号链接分析有很大的帮助。在这篇文章中，我们集中讨论了一个具有挑战性的问题，签署链接分析。有符号链接分析面临数据稀疏的问题，即只有一小部分有符号链接被给出。当负面链接比正面链接稀疏得多时，这个问题甚至会变得更糟，因为用户更倾向于积极的倾向而不是消极的倾向。我们研究如何利用其他信息源进行签名链接分析。本研究主要以情绪信息、创新扩散和个体人格三大社会科学理论为指导。在此基础上，我们提取了三类相关特征，并利用它们进行签名链接分析。实验表明，从社会理论中收集的特征对有符号链接预测和解决数据稀疏性挑战具有重要意义。
2020-01-04 cs.LG cs.SI
Analysis of Climate Campaigns on Social Media using Bayesian Model Averaging
Purdue University（普渡大学）
本文提出结合消息主题的最小监督模型汤方法识别Facebook上气候广告立场，并发布立场数据集、模型和主题集合，以支持未来意见挖掘和气候变化立场自动检测研究。
2023-06-30 cs.AI cs.CL cs.CY
Simulation of Stance Perturbations
本研究分析了社会影响操作成功的条件，通过基于代理的建模（ABM）模拟无标度网络中的立场扰动，开发协同进化社会影响模型，发现影响代理是最佳邦联代理，最优策略涉及局部自我网络级联，且20-25%代理需成为邦联代理以实现共识改变。
2023-07-17 cs.CY cs.SI
Data and models for stance and premise detection in COVID-19 tweets: insights from the Social Media Mining for Health (SMM4H) 2022 shared task
Sber AI（俄罗斯联邦储蓄银行人工智能实验室）；University of Electronic Science and Technology of China（电子科技大学）；Kazan Federal University（喀山联邦大学）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
本文组织了 SMM4H 2022 共享任务 2 评估立场与前提检测模型，扩展收集了 Twitter 疫苗接种新数据，并采用特征级融合和双视图架构等策略进行广泛实验，为健康领域论辩挖掘提供数据集与研究支持。
2023-11-14 cs.CL cs.SI
A Weakly Supervised Approach for Classifying Stance in Twitter Replies
Indian School of Business（印度商学院）；Carnegie Mellon University（卡内基梅隆大学）
社交媒体上的对话（SM）越来越多地被用来调查网络上的社会问题，如在线骚扰和谣言传播。对于这些问题，一个常见的研究思路是使用对抗性反应，例如，指出谣言中不实之处的答复。虽然在线对话中普遍存在敌对反应，但从回复中的文本中推断出这些负面观点（或立场）是困难的，需要复杂的自然语言处理（NLP）模型。此外，用于立场挖掘的传统NLP模型需要标记数据用于监督学习。获得标记的对话本身就具有挑战性，因为对话可以是任何主题，并且主题会随着时间的推移而变化。这些挑战使得学习姿势成为一个困难的NLP问题。在这项研究中，我们首先创建了一个新的立场数据集，包括三个不同的主题，通过标记用户对主题的意见（如赞成/反对）和用户在回复他人帖子时的立场（如赞成/反对）。由于我们发现监督方法的局限性，我们提出了一种弱监督方法来预测Twitter回复中的立场。我们的新方法允许使用较少数量的标签来为Twitter回复生成弱标签。与监督学习相比，我们的方法在人工标记的数据集上将平均F1-macro提高了8\%，而无需在训练集中使用任何人工标记的示例。我们进一步展示了我们提出的方法在Twitter上与COVID 19相关的对话中的适用性。
2021-03-12 cs.CL cs.SI
Node Classification for Signed Social Networks Using Diffuse Interface Methods
University of Tübingen（图宾根大学）；The University of British Columbia（不列颠哥伦比亚大学）；Technische Universität Chemnitz（开姆尼茨工业大学）
签名网络包含积极和消极的相互作用，如友谊和敌意。非符号图中的节点分类任务已被证明在许多现实世界的应用中是有益的，但对有符号网络的扩展在很大程度上仍未被探索。在本文中，我们介绍了第一次分析的节点分类签署社交网络通过扩散接口的方法的基础上的Ginzburg-Landau功能与不同的扩展图拉普拉斯签署网络。我们表明，混合的信息，从积极和消极的互动，导致性能的改善，真正签署的社交网络，始终优于目前的最先进的。
2019-08-05 cs.LG cs.NA cs.SI
The 90/10 phenomenon in directed signed social networks
本文采用重组方法对Slashdot和Epperly的有向符号社交网络中符号的性质进行了实证研究。通过计算熵$S_{out}$和巨分量$G$，我们发现了一个有趣的90/10现象：从宏观上看，每个个体用$90\%$将他/她的邻居标记为朋友，用$10\%$将他/她的邻居标记为敌人。我们还发现，熵$S_{out}$被抑制的标记符号的非随机性。我们的工作可以定性地证明人类标记符号的随机性和非随机性是如何共存的。
2016-04-14 cs.SI physics.soc-ph
Stance Inference in Twitter through Graph Convolutional Collaborative Filtering Networks with Minimal Supervision
社交媒体（SM）已经成为人们分享思想，情感，意见以及日常生活中几乎所有其他方面的舞台。这种丰富的人际互动使得SM对社会感知特别有吸引力。特别是在政治选举或公投等两极分化事件中，用户发布信息并鼓励其他人支持他们的立场，使用标签等符号来代表他们的态度。然而，许多用户选择不将标签附加到他们的消息中，使用不同的语言，或仅间接地显示他们的立场。因此，自动识别他们的意见成为一项更具挑战性的任务。为了揭示这些隐含的观点，我们提出了一个基于图卷积网络的协同过滤模型，该模型利用了消息中的文本内容以及用户和主题之间的丰富联系。此外，与最先进的解决方案相比，我们的方法只需要很小的注释工作。尽管如此，该模型在预测个人的立场方面取得了有竞争力的性能。我们分析了2020年和2022年智利两次宪法公投前用户的态度。使用两个大型Twitter数据集，我们的模型在召回率和准确率方面分别比基线提高了3.4%和3.6%。
2023-03-30 cs.SI
Nowcasting the Stance of Social Media Users in a Sudden Vote: The Case of the Greek Referendum
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Sheffield（谢菲尔德大学）；Durham University（杜伦大学）
在社交媒体中建模用户投票意图是一个重要的研究领域，在分析选民行为，在线政治竞选和广告中具有应用。以前的方法主要侧重于预测定期举行的全国大选，并且可以获得过去的结果和民意调查数据。然而，没有证据表明，在时间有限的情况下，这种模型在突然投票期间会如何表现。与传统选举相比，这是一项更具挑战性的任务，因为它是自发性的。在本文中，我们关注2015年希腊救助公投，旨在每天对2，197名Twitter用户的投票意向进行即时预测。我们提出了一种半监督多卷积核学习方法，利用时间敏感的文本和网络信息。我们在实时模拟框架下的评估表明了我们的方法对竞争基线的有效性和鲁棒性，与仅基于文本的模型相比，F分数显著增加了20%。
2018-08-26 cs.CL cs.CY cs.SI
Signed Node Relevance Measurements
在本文中，我们进行了初步的和全面的研究问题的测量节点的相关性签署社交网络。我们设计了许多相关性测量签署社交网络从本地和全球的角度来看，并调查签署相关性测量，平衡理论和签署网络属性之间的联系。实验结果进行了研究与四个现实世界的数据集上签署的网络分析任务的签署相关性测量的影响。
2017-10-25 cs.SI physics.soc-ph
Inferring signed social networks from contact patterns
Maastricht University（马斯特里赫特大学）；University of Vermont（佛蒙特大学）
本文提出一种贝叶斯框架，通过MCMC推断区分无互动是机会不足还是主动回避，提升带符号网络推断的准确性，尤其在检测负边方面表现优异。
2026-05-11 cs.SI
World War III Analysis using Signed Social Networks
在最近的一段时间里，随着许多社交平台的出现，各种单位之间的关系可以被框定为积极的，消极的或没有关系。这些单位可以是个人、国家或其他构成签名网络基本结构组成部分的单位。这些有符号的网络描绘了这样形成的图的动态特性，只允许很少的符号组合，这使得结构平衡定理在画面中。结构平衡理论认为，有符号的社交网络往往是有组织的，以避免冲突的情况下，相应的不稳定的关系周期。网络结构平衡的目的是找到适当的节点划分，以保证系统的平衡，只允许在图中有符号边的少数组合三角形。网络领域的大多数工作要么解释了符号图的重要性，要么应用了平衡定理并试图解决问题。随着各国竞相争强好胜的时代潮流，第三次世界大战发生的可能性成为每个人心中的疑问。然而，我们的论文旨在回答一些关于第三次世界大战的有趣问题。在这个项目中，我们创建了一个签名图，将第三次世界大战的参与国描绘为节点，并预测了战争期间将形成的最佳国家联盟。此外，我们还直观地描绘了在这场战争中将形成的社区数量以及每个社区的参与国。
2021-08-24 cs.SI
Polarization and Fluctuations in Signed Social Networks
最近对社交网络的研究主要集中在对观点如何作为人际关系的函数而演变的建模和分析上。建模和理解友好和敌对关系的含义也是非常有趣的。在本文中，我们提出了一个新的，简单和直观的模型，将社会心理现象的回旋镖效应的意见动态。我们建立了，在一定的条件下的结构对应于所谓的结构平衡性质的签署网络，网络中的意见。与文献中的其他模型相比，当社会网络不满足结构平衡时，我们的模型显示了更丰富，也许更直观的意见行为。特别是，我们分析了签名网络，其中的意见表现出持续的波动（包括所谓的聚类平衡的情况下）。
2019-10-04 cs.SI physics.soc-ph
Predicting the Topical Stance of Media and Popular Twitter Users
发现媒体和有影响力的人对当前有争议的话题的立场对社会统计学家和政策制定者很重要。存在许多用于确定视点的监督解决方案，但是手动注释训练数据是昂贵的。在本文中，我们提出了一个级联的方法，使用无监督学习，以确定Twitter用户的立场，相对于一个极化的话题，利用他们的转推行为，然后，它使用监督学习基于用户标签的特点，一般的政治倾向的在线媒体和流行的Twitter用户，以及他们的立场相对于目标极化的话题。我们通过将其预测与Media Bias/Fact Check网站的黄金标签进行比较来评估该模型，准确率达到82.6%。
2020-05-21 cs.IR cs.SI
Learning Disentangled Representations in Signed Directed Graphs without Social Assumptions
Jeonbuk National University（全北国立大学）
本文提出DINES方法，在不依赖社会理论假设的前提下，通过解耦表示学习、轻量级图卷积和自监督因素判别器，在有符号有向图中有效学习节点表示并显著提升符号预测性能。
2023-07-06 cs.LG cs.SI
"You're Mr. Lebowski, I'm the Dude": Inducing Address Term Formality in Signed Social Networks
我们提出了一个无监督的模型，诱导签署的社交网络从网络边缘交换的内容。该模型中的推理同时解决了三个问题：（1）识别每个边缘的符号;（2）表征每个边缘类型的内容分布;（3）估计映射到理论模型（如结构平衡）的三元特征的权重。我们将这个模型应用于称呼语的社会功能的诱导问题，如“夫人”，“夫人”和“伙计”。在电影剧本的数据集上，我们的系统获得了一个连贯的地址术语聚类，同时对每部电影中社会关系的正式性做出了直观合理的判断。作为一个额外的贡献，我们提供了一个自举技术，用于识别和标记对话中的地址项。
2015-03-17 cs.SI physics.soc-ph
SSSNET: Semi-Supervised Signed Network Clustering
节点嵌入是网络分析中的一个强大工具，然而，它们在节点聚类这一重要任务中的全部潜力还没有得到充分利用。特别地，生成符号网络的节点嵌入的大多数现有技术方法集中于链接符号预测，并且那些与节点聚类有关的方法通常不是图神经网络（GNN）方法。在这里，我们介绍了一种新的概率平衡归一化割损训练节点的GNN框架中的半监督签名网络聚类，称为SSSNET。该方法是端到端的，将嵌入生成和聚类结合起来，没有中间步骤;它以节点聚类为主要焦点，重点是网络中出现的极化效应。我们的方法的主要新颖性是一个新的社会平衡理论的作用签署网络嵌入。证明嵌入标准合理性的标准启发式方法基于“敌人的敌人就是朋友”的假设。相反，在敌人的敌人是否是朋友的问题上，采取了中立的立场。在各种数据集上的实验结果，包括合成符号随机块模型，它的极化版本，以及不同尺度的真实数据，表明SSSNET可以实现可比或更好的结果比国家的最先进的谱聚类方法，为广泛的噪声和稀疏水平。SSSNET通过以节点级特征或标签的形式包括外部信息的可能性来补充现有方法。
2022-02-23 cs.AI cs.SI stat.ML
Are Social Networks Really Balanced?
长期以来，人们一直认为，在同时存在友好/敌对互动的社交网络（签名网络）中，普遍存在全球平衡的趋势。平衡代表了网络中没有争议的情况。在这里，我们介绍一种方法来量化任何签名（社交）网络的平衡程度。它考虑了网络中所有有符号圈的贡献，并与经验证据相一致，对较短的圈比对较长的圈给予更多的权重。我们发现，与人们所认为的相反，许多签名的社交网络--特别是非常大的定向在线社交网络--一般来说是非常不平衡的。我们还表明，不平衡的状态可以通过调整网络中的代理之间的社会互动的权重来改变。
2014-06-09 cs.SI physics.soc-ph
Characterizing Long-Running Political Phenomena on Social Media
社交媒体为监督和评估公民投票和选举等政治现象提供了许多机会。在这项研究中，我们提出了一套方法来分析社交媒体上的长期政治事件与现实世界的实验：关于英国脱欧的辩论，即，这是英国启动离开欧盟的选择的过程。我们解决以下研究问题：可以Twitter为基础的立场分类，以展示公众的立场，就政治事件？衡量政治家对社交媒体影响力的最有效和最全面的方法是什么？辩论中的两极分化哪一方对政治家的信息和英国退欧进程的主要问题更敏感？机器人账户在英国脱欧讨论中的份额是多少？它们代表哪一方？通过结合用户的立场分类，主题发现，情感分析，和机器人检测，我们表明，它是可能的，以获得有用的见解，从社会媒体数据的政治现象。我们能够发现讨论中的相关主题，例如要求举行新的全民投票，并了解社交媒体用户对辩论中不同主题的立场。我们对政治账户的比较和时间分析可以发现英国脱欧过程的关键时期及其对辩论的影响。
2018-12-23 cs.CY cs.SI
Trust as a Metric for Resiliency in Signed Social Networks
最近的技术进步导致在线交易激增，引发了对盗窃和欺诈的严重担忧，特别是在比特币OTC（场外交易）等平台上，用户的身份保持匿名。为了降低风险，必须根据用户的交易历史记录来获取用户的声誉。谁信任谁签名的人的网络具有反映用户之间的这种积极和消极关系的性质的能力。它可用于分析此类平台的链接模式、强度和弹性。由于个体之间信任的动态性质，这些信任网络往往容易受到链路或节点故障的影响，因此了解此类系统的稳定性至关重要。在本文中，我们考虑的问题，量化的弹性签署网络的帮助下，值得信赖的社区结构。我们提出了一个度量计算社区结构的可信度。使用所有社区结构的可信度分数，我们生成一个管道来评估签名网络的弹性。我们还展示了这些生成的弹性分数与网络的真实性质是一致的。
2021-08-19 cs.SI
Seating Assignment Using Constrained Signed Spectral Clustering
在本文中，我们提出了一种新的方法，限制集群大小签署谱聚类，使我们能够细分大群体的人的基础上，他们的关系。一般来说，有符号聚类只需要K个硬簇，并且不限制簇的大小。我们扩展了有符号聚类，包括集群大小的限制。使用座位分配的例子，我们有效地找到了具有高社会亲和力的人群，同时减轻了彼此不喜欢的人之间尴尬的社会互动。
2017-08-02 cs.DC cs.SI
