Jun, 2015

集体话语中的幽默:《纽约客》漫画字幕比赛中的无监督趣味性检测

PDF
TL;DR本研究实验比较了十二种自动方法来选择最有趣的标题，结果表明，负面情感、以人为本和词汇中心性最能匹配最有趣的标题，其次是正面情感。这些结果有助于理解幽默，并在文本和多模（视觉 + 文本）系统中设计更加引人入胜的对话代理人。
发现论文，激发创造
  • 人工智能中的幽默：巨规模众包偏好和漫画字幕基准

    我们提供了一个独特的多模态偏好数据集，用于创意任务，在过去的八年中通过众包整理了超过 250 万个标注为《纽约客》周刊漫画字幕比赛的超过 2.2 亿个人类评分。通过结合 GPT4 和人类判断，建立了基于排名的评估策略，我们对模型生成的字幕质量提出了新的评估标准。实验证明了当前的 Fine-Tuning 方法在创意任务中的局限性，并且我们展示了即使是 GPT4 和 Claude 这样的最先进模型在生成幽默字幕方面也不及顶级人类参赛者。经过这项大规模的数据收集工作，我们将整个偏好数据集释放给研究界，促进 AI 幽默生成和评估的进一步发展。

    Jun, 2024

  • 安卓能否笑对电子羊？ - 源自《纽约客》漫画比赛的幽默「理解」基准

    本文试图让 AI 模型 “展现出理解” 的《纽约客字幕比赛》中的多模态幽默，同时研究采用视觉与语言、或只采用语言作为输入的模型，并公开了包括图片的注释、实体、场景特殊之处和笑话解释的数据集和语料库。

    Sep, 2022

  • 神经笑话机：幽默图片字幕生成

    本文介绍了一种基于计算机视觉的图像标注系统 -- Neural Joking Machine（NJM），该系统可根据主题（图像）和有趣的标题（文本）自动输出有趣的标题，并使用 Funny Score 对模型进行优化，实验结果表明，使用 NJM 的结果比使用基线（MS COCO Pre-trained CNN+LSTM）更为有效。

    May, 2018

  • 逆向工程讽刺，或 “计算幽默论文” 尽管取得重大进展仍被接受

    本文深入探讨了讽刺新闻标题的语法和语义结构，找到了制造幽默的关键词和概念，为构建制造幽默的系统提供了新的见解。

    Jan, 2019

  • 自动识别古怪的科学成就：这怎么获得了资金？！

    本研究提出了一个基于机器学习的新型幽默挖掘方法，通过结合心理学、语言学与自然语言处理的最新进展，利用一万余篇滑稽论文构建数据集，成功实现自动检测幽默科学论文的任务，并有望在科学研究中发挥重要作用。

    Jun, 2021

  • 幽默检测：一个变形金刚笑到最后

    本文提出新的任务：判断一个笑话是否幽默，通过建立基于 Reddit 站点上近 16,000 标记实例的幽默评分模型，使用 Transformer 体系结构实现语句上下文的学习，取得了与人类表现可比较的成果，并在短笑话和双关语数据集上取得了 93.1% 和 98.6% 的 F-measure，这一方法超过了以前用于这些任务的所有先前工作。

    Aug, 2019

  • Cards Against AI: 预测填空式聚会游戏中的幽默

    本文探讨了 Cards Against Humanity 这一聚会游戏中的幽默，并在分析了包括 785K 个独特笑话在内的 30 万场游戏数据集的基础上，使用机器学习模型预测了获胜笑话，发现短小、粗俗、幼稚的笑话更容易获胜。

    Oct, 2022

  • 通过个性化实现引人入胜的图像字幕

    本研究定义了一项全新的任务 —— 人格化字幕，旨在提高人类与机器之间的互动性，并基于 215 种可能的人格特征收集并发布了 201,858 个字幕的大型数据集。该研究运用了转换器及 1.7 亿对话样本对句子表示进行建模，通过 Mahajan 等人（2018 年）的图像表示及针对 35 亿社交媒体图像进行训练的 ResNets 得到图像表示。本文在 Flickr30k 和 COCO 上取得最优表现，并经在线评估验证其在人与机器之间的互动性。

    Oct, 2018

  • 众包标注的西班牙语幽默分析语料库

    该论文提出了一个由 27,000 个写在西班牙语 Tweet 中的幽默值和滑稽得分的人工标注语料库，可用于幽默检测和解决主观性问题。

    Oct, 2017

  • 笑脸头：Transformer 能否识别句子中的幽默元素？

    通过对自动检测幽默的研究，我们训练了基于转换器的模型，并分析了幽默识别模型，进一步提高了模型性能和训练方法。

    May, 2021