立场检测任务指的识别文本对于给定话题表达的立场,区别于简单的对单个文本进行分析,需要综合话题和文本的信息进行判断。这意味着要求模型具备一定的推理能力,能够从文本对文本中所提及实体的态度以及文本中所提及实体与话题的关系,推理出文本对话题的立场倾向。然而立场检测文本较短,上下文缺失,仅仅依赖于输入中的话题和文本,难以实现这样的推理。需要借助外部知识来补充相关背景,对话题和文本进行丰富,进而帮助模型捕捉话题和文本所提及实体之间的关系。因此如何选择和引入外部知识对立场检测至关重要,本研究聚焦于引入不同的外部知识来进行基于知识增强的立场检测。本研究首先探索了基于多任务学习的立场检测。考虑到立场检测模型性能受限于有限的标注数据,本研究将自然语言处理中其他与立场检测形式或目的相近的多个任务及其语料,作为非结构化的隐式知识引入立场检测中。并提出基于关注主任务的分层多任务专家模型,使得模型在学习辅助任务和立场检测共享特征表示之外,更加重视其在立场检测任务上的表现。其次,本研究探索了基于知识图谱的立场检测。通过多任务方式引入语料,在模型内部隐式地学习立场检测推理,是一种间接的知识引入方式。因此本文提出Rel Net模型,旨在利用结构化知识显式建立话题和文本所提及实体之间的关系。模型对话题和文本中实体利用知识图谱进行扩展,捕捉话题和文本所提及实体之间的关系,并将关系分类作为辅助任务,融合到立场检测预测中。最后,本研究在立场检测任务基础上,探索了更加困难的跨话题立场检测任务,即需要判断没有标注数据的新话题下文本的立场。由于缺少新话题下的相关训练数据,外部知识的引入对于解决跨话题的立场检测尤其关键。本文首先构建一个融合新话题的当前话题知识子图,然后提出了一个融合路径编码的跨话题立场预测框架,通过长短期记忆网络对话题到文本提及实体在知识子图的路径进行编码,实现可解释的跨话题立场推理。本研究提出的各模型框架在对应的立场检测数据集上的实验结果证明了各个模型可以高效地引入或结构化的显式知识帮助模型完成立场检测任务,进一步的分析实验以及消融实验印证了模型设计的有效性。