ACLMay, 2019

大规模评论语料库中的细粒度剧透检测

PDF
TL;DR该论文介绍了用于自动检测媒体产品评论中关键情节的计算方法。通过一个大规模的书评数据集，该论文开发了一种端到端的神经网络结构来检测评论中的关键情节，定量和定性结果表明，该方法显著优于现有基线模型。
computational approachescritical plot twistsreviews of media productsspoiler annotationsneural network architecture
发现论文，激发创造
  • IMDB 剧透数据集

    该研究基于高质量电影评论数据集，旨在探讨用户生成的评论中的剧透问题并研究相关的研究问题。

    Sep, 2022

  • 利用外部电影知识和用户网络检测电影评论中的剧透

    提出了一种基于多视角和外部知识的电影评论剧透检测框架，MVSD，其中包含三种互联的异构信息网络和一个新颖的异构图神经网络架构，该框架在两个剧透检测数据集上实现了新的成果，并帮助地面化鲁棒的剧透检测。

    Apr, 2023

  • 使用大型语言模型集合生成点击标题剧透

    提出了一种基于经过优化的大规模语言模型集合的点击诱饵剧透生成方法，不局限于短语或段落剧透，还能生成涉及文本中非连续部分的多部分剧透；实验评估结果表明，该集合模型在 BLEU、METEOR 和 BERTScore 指标上优于基准模型。

    May, 2024

  • 减轻标题党：使用多任务学习生成剧透的方法

    本研究引入了 “点击诱饵破坏” 这一新技术，旨在检测、分类和生成剧透作为简洁的文本响应，以应对点击诱饵内容引发的好奇心。通过利用多任务学习框架，我们的模型的泛化能力得到了显著提升，有效解决了点击诱饵的普遍问题。我们研究的关键是生成适当的剧透，无论是短语、扩展段落还是多个剧透，具体取决于所需的剧透类型。我们的方法结合了两个关键技术：一个经过精细调整的剧透分类方法和一个修改过的问题回答机制，这两者都被纳入到多任务学习范式中，以优化从上下文中提取剧透。值得注意的是，我们还包含了对能处理更长序列的模型进行微调的方法，以适应扩展剧透的生成。本研究突出了复杂文本处理技术在解决点击诱饵这一无处不在的问题上的潜力，为数字领域的用户体验提供了改进。

    May, 2024

  • 问题回答与段落检索对抗点击诱骗

    本文提出并研究了点击标题破坏的任务：生成一个短文本，满足点击标题帖子引起的好奇心。我们的贡献是分类所需破坏类型（即短语或段落），并生成适当的破坏内容。在新的 5000 篇手动破坏的点击标题帖子语料库上进行了大规模的评估和错误分析，结果显示我们的破坏类型分类器达到了 80％的准确率，而问答模型 DeBERTa-large 在生成两种类型的破坏内容方面表现出色。

    Mar, 2022

  • 基于图神经网络和依赖关系感知注意机制的剧透检测模型

    提出了一种名为 SDGNN 的新型剧透检测模型，基于语法感知的图神经网络，通过对依赖关系的利用达到更好的效果，实验证明其在两种真实的基准数据集上表现优于现有的剧透检测模型。

    Jan, 2021

  • 用于细粒度情感分析的多模态电影评论语料库

    本文介绍了针对 POM 电影评论数据集的一组观点注释，包括两个粒度级别的粗略层面和细粒度层面，并提出了一些具有特定类别的注释以便于电影评论的观点注释。我们还提供了一个可以预测意见（例如极性和方面）不同组成部分的分层观点预测框架，并提供了第一组可用于细粒度多模态观点预测任务的地面事实注释。此外，我们进行了一项相关数据采集的研究，并在不同层面的粒度下报告了标注者间的一致性。最后，我们提供了一个基准系统和注释数据以供公开使用。

    Feb, 2019

  • 从 Token 到 Review：一种分层多模态的情感挖掘方法

    本文提出了一种利用意见表达的不同视角，构建了一种联合细粒度和粗粒度意见模型的方法，该模型具有注意力机制的某些特性，对最近发布的多模态细粒度注释语料库提供了具有竞争力的结果。

    Aug, 2019

  • 用粒度逐渐调整的方法生成具有方面感知的长而详尽的评论

    本文提出了一种基于方面感知的精细到粗糙的文本生成模型，通过利用方面语义、句法轮廓和上下文信息来提高评论文本生成的自然度和连贯性，实验结果表明该方法有效。

    Jun, 2019

  • 利用自然语言处理技术进行点击诱饵分类和内容剧透识别

    该研究提出两个二分类器和两种方法，用于分类和揭露标题党，并为第二个任务创建了模型，其中利用问题回答模型来确定标题党的起始和结束位置。

    Jun, 2023