Zero-shot Tweet-Level Stance Detection Enhanced by External Knowledge and Reflective Chain-of-Thought Reasoning

📄 arXiv: 2606.26571v1 📥 PDF

作者: Yiju Huang, Wenxian Wang, Lijun Zhou, Rui Tang, Xiao Lan, Tao Zhang, Haizhou Wang

分类: cs.CL

发布日期: 2026-06-25

💡 一句话要点

提出KIRP框架以解决零样本推文立场检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 零样本学习 推文立场检测 知识图谱 反思链推理 对比学习 多主题数据集 细粒度分类

📋 核心要点

  1. 核心问题：现有方法在短文本立场检测中面临上下文稀疏性和隐含目标相关性不足的挑战。
  2. 方法要点：提出KIRP框架，通过外部知识与实体重组增强数据，并使用反思链推理提取隐含目标。
  3. 实验或效果：KIRP在SemEval-2016、WT-WT和KIRP-D数据集上取得了84.05%和84.99%的F1分数，表现优异。

📝 摘要（中文）

零样本推文立场检测面临两个主要挑战：一是短文本固有的上下文稀疏性，二是隐含目标与文本内容之间的相关性建立。现有方法主要集中在外部知识的引入上，而忽视了文本内部关键实体所蕴含的语义线索。此外，当前模型在判断未见目标与给定文本的相关性方面能力有限，难以区分“中立”和“无关”的立场标签。为了解决这些问题，本文构建了一个四类多主题的日语推文数据集，并提出了KIRP框架，结合外部知识与实体重组进行数据增强，并采用提示链进行推理。实验结果表明，KIRP在多个基准数据集上达到了最先进的性能。

🔬 方法详解

问题定义：本文旨在解决零样本推文立场检测中的上下文稀疏性和隐含目标相关性不足的问题。现有方法主要依赖外部知识，未能有效利用文本内部的语义线索，导致模型在区分“中立”和“无关”标签时表现不佳。

核心思路：KIRP框架通过结合外部知识与实体重组来增强数据，同时采用反思链推理来提取和验证隐含目标。这种设计旨在充分利用外部知识和内部语义信息，提高模型的判别能力。

技术框架：KIRP框架包括知识图谱的整合、实体重组、提示链推理和立场感知对比学习等模块。知识图谱用于补充和重组关键文本实体，而提示链推理则用于提取隐含目标。

关键创新：KIRP的主要创新在于将知识图谱与反思链推理相结合，形成了一种新的数据增强和推理机制。这与现有方法的单一依赖外部知识的方式有本质区别。

关键设计：在模型设计中，采用了三层迭代原型网络进行细粒度分类，并通过立场感知对比学习来捕捉判别特征。损失函数和参数设置经过精心设计，以优化模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

KIRP框架在SemEval-2016、WT-WT和KIRP-D数据集上取得了显著的性能提升，分别达到了84.05%、84.99%和79.18%的F1分数，超越了现有的基准方法，展示了其在零样本立场检测中的有效性。

🎯 应用场景

该研究的潜在应用领域包括社交媒体分析、舆情监测和情感分析等。通过提高推文立场检测的准确性，能够帮助企业和组织更好地理解公众情绪和意见，从而制定更有效的沟通策略。未来，该方法还可以扩展到其他语言和文本类型的立场检测任务中。

📄 摘要（原文）

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.