ACLJul, 2017

利用句子补全技术进行讽刺检测：应对意外情况

PDF
TL;DR该论文探讨了如何使用 Context2Vec 获取句子中不一致的词，进而提出了两种实现讽刺检测的方法，分别针对所有内容词以及最不一致的 50% 内容词，这些方法在推特上表现优异但并不适合于论坛帖子，讨论了导致这种情况发生的原因，并通过手动标注标本中的不一致词明确了使用句子完成进行讽刺检测的前景。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于词嵌入的特征对讽刺检测有用吗？

    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。

    Oct, 2016

  • 利用上下文分隔符在在线话语中检测讽刺

    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

  • 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

    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。

    Nov, 2016

  • $R^3$: 基于常识知识的反转、检索、排序生成讽刺语句

    本文提出了一种基于无监督思想，在非讽刺性的输入句子上生成讽刺的方法，使用 retrieve-and-edit 框架，结合反义和上下文语义不协调与常识知识相结合，其生成的讽刺质量高于人类注释和基线模型。

    Apr, 2020

  • 基于对话背景的讽刺分析

    研究了在社交媒体中检测讽刺语境下的对话背景、LSTM 网络、不同平台之间差异对结果的影响以及定位句子语气的研究，通过定量分析和注意力机制判别出实验结果优于人工标注。

    Aug, 2018

  • 用情感反转和语义不协调生成带讽刺意味的表情符号语句

    论文提出一种新颖的基于 Emoji 的讽刺生成方法，通过将生成任务分为文本和 Emoji 收集两个子任务，运用相反情感和语义不协调等两个元素来生成文本讽刺，最后通过人工评估验证其可行性。

    May, 2023