myMyninikoniniko 3ee6c69650 Initial commit		1 tháng trước cách đây
..
资源	3ee6c69650 Initial commit	1 tháng trước cách đây
readme.md	3ee6c69650 Initial commit	1 tháng trước cách đây

赛题03：谈判对手长文本观点挖掘与预测

赛题详细信息

从相关的新闻报道、外交发言等内容中获取对特定主题或议题的观点、论据和倾向等内容，并预判其后续观点，是掌握谈判主动权、优化谈判方案的重要支撑。因此，如何从长篇文本中精确辨识与谈判议题强相关的有限立场句段、消解不同来源文本的表述差异与表面矛盾实现对立场的持续性追踪、基于历史语义脉络进行未来观点预测，是解决问题面临的主要挑战。为此，赛题主要设计“复杂长文本事件议题生成”、“立场判断与证据链抽取”、“未来观点预测”等 3 项具体任务，以开源大模型为基座模型，要求参赛者完成相应任务。

技术路线分析

四、赛题03：谈判对手长文本观点挖掘与预测

这题实际上包含三个子任务：

长文本 ↓ Topic Detection ↓ Evidence Retrieval ↓ Stance Detection ↓ Temporal Stance Tracking ↓ Future Stance Forecasting

它不是普通情感分析。

1. 任务一：复杂长文本议题生成

不要直接让 LLM 读全文生成。

建议：

Long Document ↓ Chunk ↓ Embedding / Retrieval ↓ 重要段落 ↓ LLM ↓ Topic

也就是：

Retrieve → Generate

而不是：

Long Context → Generate

2. 任务二：立场 + 证据链

最终建议形成：

Topic ├── Stance ├── Evidence 1 ├── Evidence 2 ├── Argument └── Confidence

其中最重要的是：

Stance 必须被 Evidence 支撑。

可使用：

open-target stance detection

NLI

evidence extraction

argument mining

2025 ACL 的 Open-Target Stance Detection 已经研究“目标本身未知”的场景，发现 LLM 在目标发现和立场识别方面有明显优势。

但研究也发现一个很容易踩的坑：给 LLM 加 Wikipedia/Web 等外部资料不一定能提高立场识别，反而可能因为外部材料自身的倾向性，让模型被带偏，Macro-F1 在部分实验中出现明显下降。

所以这个题不能简单理解成：

RAG 越多越好。

3. 任务三：未来观点预测

这是最难的一部分。

建议不要：

历史文本 → LLM → 猜未来

而是构造：

Stance Timeline

例如：

Jan Feb Mar Apr ↓ ↓ ↓ ↓ 反对 → 弱反对 → 中立 → 条件支持

得到：

S 1

,S 2

,S 3

,…,S t

再结合：

historical events

argument evolution

policy changes

issue relations

预测：

S t+1

4. 可以借鉴 Temporal KG Forecasting

例如：

Actor ↓ Stance ↓ Topic ↓ Time

形成：

Temporal Knowledge Graph

然后：

History→Future

2025 年 Temporal KG Forecasting 已经开始大量结合 LLM；其中 G2S 把“跨场景共性的时间规律”和“具体场景事实”分开学习，另外 Analogical Replay 则通过检索历史类似事件，让 LLM 做类比式未来预测。

这些思想很适合迁移到本赛题。

5. 最大的问题

这个题存在一个其他赛题不太严重的问题：

未来观点本身具有高度不确定性。

也就是说，同样的历史材料：

A 模型预测支持；

B 模型预测中立；

可能两种都有逻辑。

因此非常依赖官方数据定义与评价方法。

另外，2025—2026 的研究仍显示 LLM 的 stance generalization、时序泛化和未来事件预测存在明显困难。

评价

论文味非常强。

但是：

比赛风险也比较高。

推荐度

7.0/10

我暂时不会把它列为第一选择。

readme.md