现如今,越来越多的人们开始在网络社交媒体上分享他们的观点。从这些数据中获取到用户的立场,并基于立场预测未来的群体决策,是政府了解民情,公司改进产品的有力途径。目前学术界已经提出了多种解决方案,但仍存在以下局限:1)立场检测问题:现有的模型仅考虑了文本维度信息,没有引入用户特征;2)群体决策预测问题:现有的模型仅考虑了观点交互的影响,而没有考虑环境对个体的影响。本文主要针对上述问题进行研究,一方面引入了用户特征并设计一种跨模态算法结合用户与文本特征来实现立场检测;另一方面结合立场检测模型、注意力机制和循环神经网络来对用户观点演化的环境影响进行建模,预测每一个用户的观点并通过一种观点整合算法对所有用户观点进行累加,得到群体决策的预测。具体来说,本文的主要研究内容如下:首先,本文提出了一种结合用户与文本表示学习的立场检测算法。算法通过预训练BERT模型将文本数据转换为低维向量,并设计了一个多层神经网络模型用以捕获用户、文本向量和立场之间的非线性映射关系。模型首先通过GCN将用户的社交关系嵌入到一个低维向量表示;然后设计了一种多模态融合算法,将得到的用户向量和文本向量进行融合,得到一个文本信息与用户信息充分融合的联合向量表示;最后基于联合向量表示得到用户立场。结果表明上述算法在立场检测任务上的准确率,要优于其他方法,证明了用户特征的加入可以提高立场检测任务表现。其次,本文提出了一种基于立场检测的群体决策预测算法。算法通过立场检测模型得到文本的立场向量表示,并设计了一个多层神经网络模型用以捕获环境影响下用户观点变化的转移关系。首先通过注意力机制,捕获上文背景对用户立场形成时的影响,然后基于循环神经网络对用户文本序列建模,捕获用户自身立场变化的转移关系,最后基于转移关系对用户下一时刻的立场进行预测。算法还设计了一个观点整合模块,用以将上述多层神经网络模型预测的每一个用户观点进行整合,实现群体决策的预测。实验结果表明上述算法在群体决策任务上的准确率与稳定性要优于其他方法,证明了本文方法的可行性。总体来说,本文所设计的模型对立场检测任务和群体决策任务都提出了不同程度的改进,并通过真实数据集上的实验证明,本文的算法在各自任务的表现上都有较好的提升。