Acceso usuarios
Joseba Fernández de Landa, Rodrigo Agerri Gascón 
La gran mayoría de los trabajos sobre la detección de stance (posicionamiento) se han centrado en clasificación de texto, incluso cuando los datos se recolectan de redes sociales como Twitter. Este articulo aborda la tarea de detección de stance haciendo énfasis, además de en los datos textuales de los mensajes, en los datos de interacción disponibles en las redes sociales. Proponemos un nuevo método para representar información social como amigos y retuits generando embeddings relacionales, es decir, representaciones vectoriales densas basadas en pares de interacción. Nuestros experimentos en siete conjuntos de datos públicamente disponibles y para cuatro idiomas (catalán, euskera, español e italiano) demuestran que la combinación de los embeddings relacionales con métodos textuales ayuda a mejorar el rendimiento, obteniendo resultados del estado del arte en seis de los siete escenarios de evaluación, superando otras aproximaciones basadas en grandes modelos de lenguaje u otros enfoques basados en interacciones como DeepWalk o node2vec.
The large majority of the research performed on stance detection has been focused on developing more or less sophisticated text classification systems, even when many benchmarks are based on social network data such as Twitter. This paper aims to take on the stance detection task by placing the emphasis not so much on the text itself but on the interaction data available on social networks. More specifically, we propose a new method to leverage social information such as friends and retweets by generating Relational Embeddings, namely, dense vector representations of interaction pairs. Our experiments on seven publicly available datasets and four different languages (Basque, Catalan, Italian, and Spanish) show that combining our relational embeddings with discriminative textual methods helps to substantially improve performance, obtaining state-of-the-art results for six out of seven evaluation settings, outperforming strong baselines based on Large Language Models, or other popular interaction-based approaches such as DeepWalk or node2vec.
