利用上下文分隔符在在线话语中检测讽刺
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
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
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
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
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
本研究探讨了使用作者上下文对文本讽刺检测的影响,使用神经模型提取作者历史帖子的嵌入表示,并在两个 tweet 数据集上进行实验,一个是手动标注的讽刺数据集,另一个是基于标签的远程监督。我们在第二个数据集上实现了最先进的性能,但在手动标注的数据集上未能做到,表明基于远程监督捕捉的意图讽刺存在差异,与手动标注捕捉的感知讽刺不同。
Oct, 2019
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
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