這學期做了一些和stance detection相關的工作，stance detection，可理解爲“立場檢測”，stance即爲人對個體、事物、事件所表現出的看法或者態度，如“支持、反對”。stance detection雖然也屬於文本分類，但和基於主題的文本分類、情感分類有些差異，stance的表達是更隱晦的，因此分類難度更大。在此列出自己閱讀論文的列表，部分論文直接列出一些簡單的筆記，這些論文可讀性不強（方法過於簡單，或者論文本身的貢獻不在方法上，沒有太多記錄成筆記的價值…），部分論文會逐步完善，給出簡單的閱讀筆記。閱讀價值評分純粹是基於自己對於文章的理解，標準包括：動機、方法、數據集質量、實驗安排、相關工作等，滿分爲5（相對評分，即分值高低僅反映論文在以下列表中的可讀價值，並不一定說明這篇文章有多好）。列表如下：
| 名稱 | 所屬會議(來源) | 類型 | 時間 | 閱讀價值 | 筆記 |
|---|---|---|---|---|---|
| Modeling Stance in Student Essays | ACL | long paper | 2016 | 1 | 自己構建的student essay數據集，包含800多篇，6分類；構建了很多特徵，其中path-based features可以看看。實驗效果比前人的基於feature set的模型要好一點。 |
| Hawkes Processes for Continuous Time Sequence Classification: an Application to Rumour Stance Classification in Twitter | ACL | short paper | 2016 | 1 | 較早的一篇文章，稍微看看就好。裏面將Twitter轉化爲時序，進而用統計學模型進行求解的轉化思路值得借鑑。 |
| 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 | 在具有相似預測目標的不同態度分類數據集上進行遷移學習。將模型從數據集A中學習到的關於target的知識運用到數據集B的目標預測上。劃重點，遷移學習。 |
| Weakly-Guided User Stance Prediction via Joint Modeling of Content and Social Interaction | CIKM | long paper | 2017 | 2.5 | 無監督的stance prediction。自己爬取的CNN news和4Forums；由於數據是跟debate forum相關的，因此每條post都有有十分豐富的上下文，並且上下文不同post之間會產生關係（支持、反駁等）。模型先根據一系列的上下文和不同post之間的關係，得出不同立場的詞表，再得出用戶在該topic下的stance極性打分。模型的具體方法沒有細看，運用了一些啓發式規則和限制條件下的最優化方法。本文的問題是圍繞debate forum展開，數據集具有一定的特性，不同用戶的相互支持、反駁使得能夠無監督地聚類不同態度的詞彙表達。這和之前接觸的stance detection任務不太相同。 |
| 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時，會將target和sentiment作爲額外特徵。而本文針對stance、target、sentiment聯合建模。使用了概率圖模型，反覆看了幾遍沒看懂，暫時放棄。。。聯合建模sentiment、target、stance，思路很好，但是方法上不太理解。或許將target、sentiment作爲輔助信息加入NN，或者利用網絡結構進行聯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的數據；文章將debate forum中的各類信息進行embedding，通過text embedding的相似性來找已知stance和待預測stance的embedding相似性。文中還針對一些依賴關係添加了限制條件。和另一篇CIKM2017的文章一樣，都是討論的debate forum的stance detection。不過跟目前要做的問題有差別。 |
| 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日語數據；使用FM進行建模，利用了四部分信息作爲特徵：用戶信息、topic信息、用戶在其它topic上的stance、用戶的posts。實驗部分只進行了各部分特徵的實驗，以及多數投票的baseline。角度新穎，但文章集裏幾乎沒人做，數據也是用的自己的爬的。如果之後用FM的話可以回過頭來看。 |
| 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 | 這篇文章主要是提出了一個數據集，但這個問題和正在做的AIC、DF是類似的，即一個樣本中含有多個target，需要預測對於不同target的態度（情感）。本篇文章也提出了一個框架，利用seq2seq，decoder端利用target1的label作爲target2的預測輸入一部分。這種方法假定了target之間是有關聯的，比如針對兩位選舉候選人的看法，因此數據集構建中也是每條數據包含了兩個target。這樣還是把問題做的太細了，假設也太強，距離AIC、DF的實際問題還很遠。 |
| Stance Classification of Context-Dependent Claims | NAACL | long paper | 2016 | 2.5 | 一篇比較水的文章，paper2paper的工作，在IBM之前構建的claim數據集上進行stance的檢測。分爲三步：1、識別給定topic和claim的目標；2、識別對應目標的情感；3、確定針對目標的表意是否一致。三部分的模型都用的傳統方法，包括句法樹、情感詞、條件概率等。 |
| 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；兩階段方法，先使用基於詞形還原的n-gram來對headline和body的匹配度打分（自定義的公式），二分類爲是否相關，若相關則使用LR繼續判定細分的類別。這是FNC-1的9th的解法，很簡單。足以反映基於詞頻、只依賴詞頻的模型已經能很好地解決這一問題。9th的得分爲9270，1st爲9556，並不需要神經網絡。 |
| 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 | 自己爬的數據集；本文主要實現了一個web工具，用戶輸入一個query（topic），工具自動展示各大消息網站關於該topic的相關內容，以及標註的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 的官方總結文章。主辦方以新浪微博爲數據源，採集了5個target共3000條數據做訓練集（subtask A），數據是由學生標的。top-1選手使用的是手工特徵+SVM/RF，其他也大多使用的是手工特徵。在文章集中很少看到使用這個數據集的，方法不具有太大的創新價值，都發表在了NLPCC上，方法也多爲傳統方法。文章前面關於stance detection的任務定義、與情感分析的區別總結的很好，值得一看。以後如果要使用該數據集並進行結果對比時，再回來索引相關參賽隊伍的文章。 | |
| 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；三路神經網絡分別編碼：詞向量特徵、TF特徵、外部特徵。其中使用了skip-thought embedding，說可以衡量句子相似度。之後要去看一下。然後模型結構很普適，神經網絡分別建模各部分特徵，再由另一個神經網絡來組合特徵表示。 |
| 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 |
縮寫解釋：
- AIC：AI Challenger
- DF：Data Fountain
- FNC-1：Fake News Challenge — 1st period
TO BE CONTINUED 標註的論文，會在後面單開博文來詳細講。