介绍了一份名为 Humicroedit 的新数据集，用于计算幽默研究。该数据集包含英文新闻标题及其被设计用来制造幽默的简单编辑版本。通过对数据集进行分析，基于传统幽默理论，如不协调、优越感和设置 / 串行，我们开发了基准分类器，可以预测编辑后的标题是否有趣，这是自动生成有趣新闻标题的第一步。

Jun, 2019

本文深入探讨了讽刺新闻标题的语法和语义结构，找到了制造幽默的关键词和概念，为构建制造幽默的系统提供了新的见解。

Jan, 2019

此研究旨在解决在线新闻传播中存在的虚假信息扩散的问题，使用 SemEval-2023 Task 3 来分析和验证新闻文章中的写作技巧，以影响读者的观点，研究结果表明我们的系统在 27 个测试中位列前三。

May, 2023

该论文提出了一个由 27,000 个写在西班牙语 Tweet 中的幽默值和滑稽得分的人工标注语料库，可用于幽默检测和解决主观性问题。

Oct, 2017

本研究提出了一种新的任务 —— 文体标语生成（SHG），通过将摘要和重构任务组合成一个多任务框架以及新颖的参数共享方案，为文摘添加了三个样式选项（幽默、浪漫和点击量讹诈），从而吸引更多读者。通过自动和人工评估，我们证明了 TitleStylist 可以生成具有幽默、浪漫和点击量诱导效果的标题。我们的模型生成的标题吸引力评分超过了现有技术的摘要模型 9.68％，甚至超过了人工编写的参考标题。

Apr, 2020

通过引入一款名为 FunLines 的竞争性游戏，玩家可以对新闻标题进行编辑，从而使它们更有趣。通过这个游戏，我们可以以很低的成本获得有用的幽默数据集，并通过该数据集培训幽默分类模型，从而达到优越的性能表现。

Feb, 2020

本文介绍了 Team Hitachi 参与 SemEval-2023 任务 3“检测多语言环境下在线新闻中的流派、框架和说服技巧” 的经验。通过多项实验，作者发现跨语言 / 多任务训练与收集外部平衡数据集有益于流派和框架检测，并构建集成模型在检测意大利语和俄语流派分类子任务方面实现了最高的宏平均 F1 分数。

Mar, 2023

本文总结了 SemEval-2020 任务 10 的主要结果，该任务旨在设计自动化方法选择文本内容中的强调元素，并发现 BERT 是参与者常用的预训练模型之一。

Aug, 2020

通过众包的方式，我们发布了一个数据集，包括了 5000 个英文新闻标题的情感、情感体验者和文本线索、相关情感原因和目标，以及读者对标题情感的感知；在此基础上，我们提出了一个多阶段的注释程序，开发了语义角色结构自动预测任务的基线，并讨论了结果，此数据集支持进一步情感分类、情感强度预测、情感原因检验和定性研究。

Dec, 2019

本研究实验比较了十二种自动方法来选择最有趣的标题，结果表明，负面情感、以人为本和词汇中心性最能匹配最有趣的标题，其次是正面情感。这些结果有助于理解幽默，并在文本和多模（视觉 + 文本）系统中设计更加引人入胜的对话代理人。

Jun, 2015