Sep, 2017

获取在线对话中讽刺的可靠注释

PDF
TL;DR本文探讨了利用 Mechanical Turk 上未经培训的注记者实现高度可靠的讽刺标注的标注方法，说明了使用大量常见的统计可靠性措施，如 Kappa，Karger，Majority Class 和 EM，而更复杂的措施对于我们的数据似乎没有产生更好的效果。
发现论文，激发创造
  • 构建和表征具有多样化的对话中讽刺用语语料库

    本文描述了如何通过构建一个大规模、高度多样化的线上辩论论坛对话语料库及其对讽刺言语两种分类构建创新方法，使用词汇 - 语法线索可准确检索出讽刺言语，并在简单特征和弱监督自然语言模式学习的实验中得到了较高的表现。

    Sep, 2017

  • 用于讽刺的大型自注释语料库

    该论文介绍了自注释 Reddit 语料库（SARC），该语料库为讽刺研究以及训练和评估讽刺检测系统提供了大量的数据。每个陈述还被作者自行注释，并配有用户、主题和对话上下文。通过构建基准测试和评估基线方法，我们对该语料库进行了准确度评估。

    Apr, 2017

  • 社交媒体文本中讽刺检测的研究视角

    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

  • 使用神经网络基准进行非上下文讽刺建模

    本文介绍一种基于概率建模的新颖方法，通过使用人类讽刺基准对神经网络进行训练，识别、分类和学习讽刺文本的特征，并建立一个对细微差异敏感的情感分析模式，以实现更自然、更吸引人的对话系统。

    Nov, 2017

  • 引导策略提升在线对话中反讽和恶意分类器性能

    本文研究了如何使用两种不同方法来训练分类器以识别网络上对话中的主观语言，特别是讽刺和恶意。研究表明使用语言指标可以提高分类器的精确度和召回率，并且该方法也可以应用于其他类型的对话行为。

    Aug, 2017

  • 基于极性的半图 Sarcasm 检测

    本文介绍了一种新颖的语义图 (semigraph) 方法，通过计算极性分数 (polarity scores) 实现对讽刺语气的检测，在亚马逊产品评论数据上的表现达到了准确度 0.87、召回率 0.79 和 F1 值 0.83。

    Apr, 2023

  • 社交媒体上的计算机挖掘讽刺语言：系统综述

    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

  • 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

  • 在多模态对话中解释（讽刺性）话语以提高情感理解能力

    本文介绍了使用 MOSES 模型对于含有讽刺言语的对话进行 Sarcasm Explanation，以及在此基础上实现的 Sarcasm detection, humour identification, 和 emotion recognition 等自然语言理解任务，并且通过各种评估指标展示了该模型的优越性。

    Nov, 2022

  • 2020 年讽刺检测共享任务报告

    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