2025年10月，研究生团队博士生王冰冰和硕士生林靖杰合作的论文《PiKGL: Leveraging Pruned Knowledge Graphs for Explainable Stance Detection》获期刊Transactions of the Association for Computational Linguistics (TACL)录用。TACL期刊是计算语言学和自然语言处理领域的国际顶级期刊，影响因子6.9，分区为JCR Q1，在CCF推荐列表中为B类期刊。

立场检测是自然语言处理领域的一项基础任务，旨在判断文本作者对特定主题或目标所表达的态度（支持、反对或中立）。现有方法常借助维基百科等外部知识源补充目标相关背景知识以提升模型性能，但这类方法存在显著局限：其引入的知识多为概念性定义内容，未能挖掘知识本身的可解释性潜力，无法为立场预测提供可追溯的推理依据，同时因缺乏有效的知识筛选机制，易纳入与任务无关或冗余的信息，从而降低立场检测性能。为解决这一挑战，本文提出剪枝式可解释知识图谱学习PiKGL框架。具体而言，该框架首先从文本和目标中提取事件三元组与主题，结合GDELT数据库获取真实世界的事件感知知识，并通过开放信息抽取和度数优先图连接机制构建可解释知识图谱。随后引入融合常识知识的检索引导剪枝策略，过滤知识图谱中的冗余信息，确保其精准性与目标相关性。最后将剪枝后的知识图谱注入大型语言模型，实现文本、目标与常识知识的联合建模，以提升立场理解能力。在三个公开数据集上的实验结果表明，该框架在目标内立场检测和零样本立场检测任务中均取得了当前最优性能。消融实验验证了知识图谱构建、剪枝机制等核心组件的有效性。

论文信息：

Bingbing Wang, Jingjie Lin, Zhixin Bai, Xintong Song, Qianlong Wang, Min Yang, Xi Zeng, Jing Li, Ruifeng Xu*. PiKGL: Leveraging Pruned Knowledge Graphs for Explainable Stance Detection. Transactions of the Association for Computational Linguistics. 2025.