論文の概要: Zero-shot Tweet-Level Stance Detection Enhanced by External Knowledge and Reflective Chain-of-Thought Reasoning
- arxiv url: http://arxiv.org/abs/2606.26571v1
- Date: Thu, 25 Jun 2026 03:46:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.152928
- Title: Zero-shot Tweet-Level Stance Detection Enhanced by External Knowledge and Reflective Chain-of-Thought Reasoning
- Title（参考訳）: 外部知識と反射連鎖推論によるゼロショットツイートレベルスタンス検出
- Abstract要約: KIRPと呼ばれるゼロショットのツイートレベルのスタンス検出フレームワークを提案する。
データ拡張のために外部知識とエンティティの再編成を統合し、推論のために即時連鎖を採用する。
実験により、KIRPは最先端のパフォーマンスを達成することが示された。
- 参考スコア（独自算出の注目度）: 12.327429431163667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Zero-shot tweet-level stance detection confronts two primary challenges: (1) mitigating the context sparsity inherent in short texts, and (2) establishing the relevance between implicit targets and textual content. While existing methods primarily focus on incorporating external knowledge, they neglect the intrinsic semantic cues embedded within key intra-textual entities. Furthermore, current models exhibit limited capability in determining the relevance of unseen targets to the given text, thereby struggling to differentiate between "neutral" and "irrelevant" stance labels. To address these issues, we first construct a four-class, multi-topic Japanese tweet dataset. To our knowledge, this is the first Japanese tweet-level dataset for stance detection. We then propose KIRP, a zero-shot stance detection framework. It integrates external knowledge with entity reorganization for data augmentation and employs prompt chaining for reasoning. Specifically, the framework incorporates knowledge graphs to supplement and reorganize key textual entities, while reflective Chain-of-Thought (CoT) reasoning extracts and validates implicit targets. To better distinguish "neutral" from "irrelevant" labels, we adopt stance-aware contrastive learning to capture discriminative features and design a three-layer iterative prototype network for fine-grained classification. Experimental results on SemEval-2016, WT-WT, and KIRP-D show that KIRP achieves state-of-the-art performance. KIRP obtains F1 scores of 84.05% (three-class) on SemEval-2016, and 84.99% and 79.18% (four-class) on WT-WT and KIRP-D, respectively.
- Abstract（参考訳）: ゼロショット・ツイートレベルのスタンス検出は,(1)短いテキストに固有のコンテキスト空間の緩和,(2)暗黙的ターゲットとテキストコンテンツとの関連性の確立という,2つの主要な課題に直面している。
既存の手法は主に外部知識を取り入れることに重点を置いているが、それらは主要なテクスト内エンティティに埋め込まれた本質的な意味的手がかりを無視している。
さらに、現在のモデルでは、与えられたテキストに対する目に見えないターゲットの関連性を決定する能力が限られており、「中立」と「無関係」のスタンスラベルの区別に苦慮している。
これらの課題に対処するため,まず4種類の多トピックな日本語ツイートデータセットを構築した。
われわれの知る限り、これは姿勢検出のための日本初のつぶやきレベルのデータセットである。
次に、ゼロショット姿勢検出フレームワークKIRPを提案する。
データ拡張のために外部知識とエンティティの再編成を統合し、推論のために即時連鎖を採用する。
特に、このフレームワークは、重要なテキストエンティティを補完し、再編成するための知識グラフを組み込んでおり、一方、反射的連鎖推論(CoT)は、暗黙のターゲットを抽出し、検証する。
中立性」ラベルと「無関係性」ラベルをよりよく区別するために、我々は、識別的特徴を捉え、きめ細かい分類のための3層反復型プロトタイプネットワークを設計するために、スタンス・アウェア・コントラッシブ・ラーニングを採用する。
SemEval-2016,WT-WT,KIRP-D の実験結果から,KIRP が最先端の性能を発揮することが示された。
KIRPはSemEval-2016で84.05%(3クラス)、WT-WTとKIRP-Dで84.99%、79.18%(4クラス)のスコアを得た。
関連論文リスト
- Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。
信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。
本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
論文 参考訳（メタデータ） (2026-06-23T05:28:47Z) - SASA: Semantic-Aware Contrastive Learning Framework with Separated Attention for Triple Classification [0.0]
トリプル分類(TC)は、知識グラフからトリプルの妥当性を決定することを目的としている。
textbfSASA - 注意分離機構と意味認識型コントラスト学習(CL)によるTCモデルの強化を目的とした新しいフレームワーク
2つのベンチマークデータセットによる実験結果から、SASAは最先端の手法を大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2026-01-19T13:19:00Z) - A Unified Label-Aware Contrastive Learning Framework for Few-Shot Named Entity Recognition [6.468625143772815]
ラベル認識型トークンレベルのコントラスト学習フレームワークを提案する。
提案手法は,ラベルのセマンティクスを接尾辞のプロンプトとして活用することでコンテキストを豊かにする。
コンテキストネイティブとコンテキストラベルの対比学習目標を同時に最適化する。
論文 参考訳（メタデータ） (2024-04-26T06:19:21Z) - Guiding Computational Stance Detection with Expanded Stance Triangle
Framework [25.2980607215715]
スタンス検出は、テキストの著者が指定されたターゲットに対して有利か、反対か、中立かを決定する。
本稿では,言語的観点からスタンス検出タスクを分解し,このタスクにおける重要な構成要素と推論経路について検討する。
論文 参考訳（メタデータ） (2023-05-31T13:33:29Z) - Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。
我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
論文 参考訳（メタデータ） (2023-05-23T07:09:09Z) - Contextual information integration for stance detection via
cross-attention [59.662413798388485]
スタンス検出は、著者の目標に対する姿勢を特定することを扱う。
既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。
文脈情報をテキストとして統合する手法を提案する。
論文 参考訳（メタデータ） (2022-11-03T15:04:29Z) - Few-Shot Stance Detection via Target-Aware Prompt Distillation [48.40269795901453]
本論文は,知識ベースや少人数の学習者を対象とした事前学習型言語モデル(PLM)の可能性に着想を得たものである。
PLMは、ターゲットに対して重要なコンテキスト情報を提供し、プロンプトを介して数発の学習を可能にする。
姿勢検出タスクにおいて,対象が重要な役割を担っていることを考慮し,目標認識プロンプトを設計し,新しい言語化手法を提案する。
論文 参考訳（メタデータ） (2022-06-27T12:04:14Z) - New Intent Discovery with Pre-training and Contrastive Learning [20.636192945382145]
新しい意図発見は、ユーザ発話から新しい意図カテゴリーを明らかにして、サポート対象クラスのセットを拡張することを目的としている。
既存のアプローチは通常、大量のラベル付き発話に依存する。
新たな意図発見のための2つの重要な研究課題に対する新しい解決策を提供する。
論文 参考訳（メタデータ） (2022-05-25T17:07:25Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - CompGuessWhat?!: A Multi-task Evaluation Framework for Grounded Language
Learning [78.3857991931479]
本稿では,属性を用いたグラウンドド言語学習のための評価フレームワークGROLLAを提案する。
また、学習したニューラル表現の品質を評価するためのフレームワークの例として、新しいデータセットCompGuessWhat!?を提案する。
論文 参考訳（メタデータ） (2020-06-03T11:21:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。