本研究探讨了自动检测讽刺的多种方法,包括通过上下文、发布历史和机器学习模型识别,特别是深度学习方法对于使用具有诱导而不是离散特征的模型以及 transformers 创新的好处具有可观的推动作用。
Feb, 2022
在社交媒体上大量使用讽刺文本会对目标用户产生生理影响,讽刺检测对于用户来说很困难,更 对于机器来说是具有挑战性的。此论文讨论了各种讽刺检测技术及其相关数据集等,并总结了一些 方法、挑战和未来的方向。
Apr, 2023
本文提出一种模型,使用预训练的转换器和 CNN 捕捉上下文特征,用于捕捉蕴含在讽刺中的不一致性,并在社交网络平台和在线媒体的四个数据集上优于以前的最新成果。
Nov, 2022
研究发现,找出人们的反讽和言语讽刺对于理解他们的实际情感和信仰至关重要。因此,反讽分析已成为自然语言处理中一个热门的研究问题。本文作为 FigLang2020 会议的一部分,介绍了一个 sarcasm detection 共享任务,旨在进行基准研究,以分析最先进的技术,推动该领域的进展。
May, 2020
本研究旨在对英语计算讽刺研究的最新进展和趋势进行简要概述,包括使用非监督预训练转换器在多模态环境中进行讽刺检测以及整合上下文以识别讽刺。我们介绍与讽刺相关的数据集、方法、趋势、问题、挑战和任务,提供针对讽刺的特征和其提取方法的汇总表,以及各种方法的性能分析,这些都可以帮助相关领域的研究人员了解讽刺检测中的最新技术实践。
Sep, 2022
通过基于预训练的卷积神经网络提取情感,情绪和人格特征以及网络的基本特征,我们开发的模型可以有效区分讽刺语句并解决分类新数据的普适性问题。
Oct, 2016
本论文旨在探讨情感分类和讽刺检测两个 NLP 任务之间的相关性,并提出了一种基于多任务学习的深度神经网络框架来模拟这种相关性,以改善这两个任务的性能。在基准数据集中,我们的方法比现有技术的表现提高了 3-4%。
Jan, 2019
本文使用 RoBERTa_large 对 Twitter 和 Reddit 数据集进行讽刺检测,并通过使用三种不同类型的输入来确定上下文在提高性能方面的重要性。我们表明,我们提出的架构在两个数据集中都具有竞争力,并且在 Reddit 数据集中增加分隔符可以提高 F1 分数的 5.13%。
Jun, 2020
分析社交媒体上多模态信息中,表面情感和隐含情感之间的关系,探究图像在人类注释中的必要性,并提出了两种不同的计算框架来检测其中的讽刺色彩。结果表明,结合多模态信息的检测方法在各平台上均取得了良好的效果。
Aug, 2016
使用先进的语言表示模型和上下文驱动模型,对 Reddit 语料库进行分析,评估其性能并找到理想的讽刺检测方法。
Oct, 2023