EMNLPOct, 2016

基于词嵌入的特征对讽刺检测有用吗？

PDF
TL;DR本文探讨在利用词向量进行讽刺检测时，通过加入语义相似性 / 不一致性的方法，对四种特征集进行了改进，发现无论使用哪种嵌入或将其附加到哪个原始特征集上，都能提高讽刺检测的性能，其中使用 Word2Vec 嵌入时，F 分数提高了约 4％，而依赖权重和 Word2Vec 嵌入相比，LSA 和 GloVe 的效果不如后者。
发现论文，激发创造
  • 利用用户嵌入模拟上下文进行社交媒体中的讽刺检测

    该研究提出了一个基于深度神经网络的、用于自动检测讽刺的模型，其中利用了用户嵌入向量和词汇信号，避免繁琐的特征工程和数据爬取，经实验证明总体效果优于现有方法。

    Jul, 2016

  • 利用认知特征进行讽刺检测

    介绍了一种从阅读者的眼动模式中提取认知特征，用于增强特征向量，以提高讽刺检测的性能的新机制。使用增强的特征集进行统计分类，性能提高了 3.7％（以 F-score 为度量），超过了最佳报告系统的性能。

    Jan, 2017

  • 基于上下文、情感和情感特征的讽刺检测框架

    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

  • 深层上下文化词表示用于检测讽刺和反语

    使用机器学习和基于 ELMO 的字向量表征，可以在 3 个数据源派生的 7 个数据集上提供最先进的性能，以准确预测上下文相关和非文字化表述，如讽刺和嘲讽表达式。

    Sep, 2018

  • 不协调有多有效？对代码混合讽刺检测的影响

    通过使用 fastText 学习的子词级别嵌入捕捉不协调的想法来解决混合语言和讽刺检测的联合问题。实证结果表明，我们提出的模型不仅可以在 10 倍的训练速度下使用更低的内存占用率，同时也可在混合语言英式印地语数据集上获得与预训练多语言模型相媲美的 F1-score。

    Feb, 2022

  • 对最先进的大型语言模型在讽刺检测方面的评估

    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

  • 使用深度卷积神经网络深入研究讽刺推特

    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

  • 利用认知特征进行情感分析

    本研究提出一种使用读者眼动模式获取认知特征的方法，以增强情感分析和讽刺检测的性能，结果表明：使用这种增强型特征集合可以将极性检测的 F 分数最高提升 3.7％和 9.3％。

    Jan, 2017

  • 通识知识是否有助于检测讽刺？

    本研究探讨将常识知识融入到基于图卷积网络和预训练语言模型嵌入的模型中，用于识别口气讽刺的有效性，并在三个数据集上进行了实验，表明该方法不如基线模型表现优秀。

    Sep, 2021

  • 使用 BERT 和 GloVe 嵌入技术检测推文中的讽刺

    本文提出使用 BERT 和 GloVe 嵌入的机器学习技术来检测推文中的讽刺，该模型利用用户的响应上下文和实际响应来增强检测结果。

    Jun, 2020