摘要
当编码器将立场信号与特定主题的词汇混合时，跨主题立场检测的性能会下降，导致模型无法将表示方法有效地应用到未见过的目标上。现有的方法要么采用与主题无关的表示方法，要么采用与主题相关的表示方法，并对所有输入应用相同的策略，从而放弃了互补的信息。我们提出了ReDyGait，这是一个三阶段框架，通过专门的对比预训练来分离这两种类型的信号，并在推理时自适应地重新组合它们。第1阶段使用监督对比损失训练一个与主题无关的编码器，针对跨主题的正样本；第2阶段使用双向成对对比损失训练一个考虑上下文的编码器，针对同一主题内的正样本；这两个阶段都采用与主题相关的难负样本挖掘来防止捷径学习。第3阶段固定这两个对比编码器，并学习一个门控网络，该网络为不变路径、上下文路径和基础编码器路径生成每个实例的权重。在VAST数据集上，ReDyGait在零样本设置下的宏观平均F1分数为0.782，在少样本设置下为0.752，比最强的基线方法提高了1.1个百分点；在SEM16t6数据集的留一目标设置中，ReDyGait的平均F1分数为0.612。对学习到的门控权重的分析表明，当遇到不熟悉的主题时，模型会倾向于使用不变路径；而当存在特定主题的模式时，模型会倾向于使用上下文路径，这证实了分离效果正如预期的那样。
