COLINGMay, 2018

CASCADE：在线讨论论坛中的语境讽刺识别

PDF
TL;DR本研究提出了 CASCADE (a ContextuAl SarCasm DEtector) 用于在在线社交媒体讨论中，采用基于内容和上下文驱动的混合方法进行讽刺检测，能够提取讨论线程中的上下文信息，使用用户嵌入来编码用户的风格和个性特征，与卷积神经网络（CNN）等基于内容的特征提取器一起使用时，可显著提高 Reddit 语料库的分类性能。
automated sarcasm detectioncontextual presumptionscascadecontent and context-driven modelinguser embeddings
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 网络互动中对话背景在讽刺检测中的作用

    该研究通过研究社交媒体讨论发现，长短时记忆神经网络（LSTM）的不同类型能够更好地模拟讨论的背景并更好地识别出含有讽刺意味的回复，进一步使用定性分析方法研究 LSTM 模型的注意力加权效果。

    Jul, 2017

  • 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

  • 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

  • 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

  • 何时使用 “更多语境” 有助于辨别嘲讽？

    通过整合多种上下文，本研究探索了现有方法在讽刺识别中的改进，并在三个讽刺识别基准测试中取得了最先进的性能，并展示了添加更多上下文的好处，同时也指出使用更多上下文可能引入社会偏见的固有缺点。

    Mar, 2024