谁能想到那个！”：一种用于提取讽刺流行主题和探测讽刺的分层主题模型

COLINGNov, 2016

谁能想到那个！”：一种用于提取讽刺流行主题和探测讽刺的分层主题模型

`Who would have thought of that!': A Hierarchical Topic Model for Extraction of Sarcasm-prevalent Topics and Sarcasm Detection

PDF

Aditya Joshi, Prayas Jain, Pushpak Bhattacharyya, Mark Carman

TL;DR本研究基于主题模型提出了一种简单的讽刺检测模型，能够预测带有讽刺情感的话题，并且能够发现具有情感的单词组合，通过在推特数据集上进行实验，我们的模型能比之前的基于统计分类器的研究提高 25% 的识别率。

Abstract

Topic Models have been reported to be beneficial for aspect-based sentiment analysis. This paper reports a simple topic model for sarcasm detection, a first, to the best of our knowledge. Designed on the basis of

topic model sarcasm detection sentiment analysis tweets statistical classifiers

发现论文，激发创造

多模态讽刺检测：基于分层一致性建模与知识增强的研究

本文提出了一种基于层次结构的检测方法，通过多头交叉注意力机制和图神经网络同时探索文本和图像之间的原子级一致性和组成级一致性，利用丰富的外部知识资源进行讽刺检测，评估结果表明该模型优于现有的技术。

Oct, 2022

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

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

使用混合神经网络进行讽刺语言检测

通过引入新的由新闻头条数据集组成的数据集，以及使用子神经网络和注意机制，本论文提出了一种有效识别铁 y 定义类的方法，其在分类精度方面优于基准线约 5%。

Aug, 2019

自动讽刺识别：一项调查

本文汇总了过去的研究成果，讨论了自动讽刺检测的数据集、方法、趋势和问题，并呈现了过去有关特征、注释技术和数据形式等不同方面的论文总结表格。关键技术包括半监督模式提取、基于标签的监督以及针对目标文本进行的上下文分析。

Feb, 2016

灾害背景下的讽刺检测

通过分析 HurricaneSARC 数据集，本文介绍了利用预训练语言模型检测灾难相关推文中的讽刺言辞的关键方法，并表明通过中间任务转移学习可以提高在 HurricaneSARC 数据集上的性能。

Aug, 2023

英印混合代码推文语料库用于讽刺检测

通过英 - 印混合码数据集，我们开发了一个基于随机森林分类器并进行了 10 折交叉验证的基线监督分类系统，该系统可以检测到社交媒体上的文字中的反讽，并标记每个标记的语言标签。该系统平均得分为 78.4%。

May, 2018

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

结合无上下文信息和上下文信息表示进行阿拉伯语挖苦检测和情感识别

本研究提出了一种基于 AraBERT 语言模型与在阿拉伯社交媒体文献库上训练的静态词向量结合的混合模型，应用于阿拉伯推文的讽刺性和情感极性检测任务，实现了优异的 F1 - 讽刺得分和 F-PN 情感得分，并在两项任务中均优于多个现有的方法。

Mar, 2021

Twitter 上自动讽刺检测的调查

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