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
我们提出了一个基于 Transformer 模型的讽刺检测模型,可以有效考虑上下文,达到更加准确的预测,其在 Twitter 和 Reddit 的数据集上表现出了 3.1% 和 7.0% 的提升,F1 分别达到了 79.0% 和 75.0%,成为了该共享任务 36 个参与者中表现最好的系统之一。
May, 2020
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
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
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
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
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。
May, 2018
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
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
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