COLINGOct, 2020

使用文本和视觉线索进行讽刺检测的多模态方法

PDF
TL;DR本文研究了关于讽刺新闻的多模态方法，并使用基于 ViLBERT 模型的新数据集对其进行评估，结果表明我们提出的多模态方法优于仅使用图像或文本或简单融合的方法。
satirehumorous critiquemulti-modal approachvilbertsatire detection
发现论文，激发创造
  • 使用注意力机制和语言特征的讽刺新闻检测和分析

    该研究通过引入神经网络和关注机制，考虑段落级别的语言特征来有效识别讽刺新闻，揭示重要的特征在不同级别的作用差异。

    Sep, 2017

  • 使用语义和语言线索鉴别假新闻与讽刺中的微妙差别

    本文研究自动分类假新闻和幽默新闻，结合语义表示、最新的语言模型和基于文本连贯性的语言特征，通过实证评估表明该方法优于基于语言的基线，并探讨假新闻和幽默新闻之间的差异。

    Oct, 2019

  • 对抗性训练在讽刺检测中的应用：对混淆变量的控制

    本文介绍了一种新的用于讽刺检测的模型，该模型包括对抗性部分以控制发布源的混杂变量，最终得到了可观的讽刺分类性能和显著下降的发布分类性能。通过分析得出，对抗性组件是该模型关注讽刺语言属性的关键。

    Feb, 2019

  • 社交媒体中图片在分析声明中的作用

    本文通过分析图像、文本和多模型检测虚假新闻，特别是使用变形金刚模型的文本和多模型对索赔和阴谋检测任务的作用，确定图像在虚假新闻检测中的作用。

    Mar, 2021

  • 视觉重要性：一项新的多模态夸张语言检测数据集和实证研究

    本研究聚焦于社交媒体中的多模式夸张检测， 使用微博数据集，并构建了基于文本和图像的模态进行检测的 benchmark，并评估不同模型的跨领域性能。

    Jul, 2023

  • 多模式出版物中仇恨言论检测的探讨

    本文研究针对文本和图像组成的多模态出版物中仇恨言论的检测问题。 我们从 Twitter 收集和注释了大规模数据集 MMHS150K，并提出了不同的联合文本和视觉信息的模型用于比较仇恨言论检测中的单一模态检测，提供了定量和定性结果并分析了所提出任务的挑战。 我们发现，尽管图像对于仇恨言论检测任务很有用，但目前的多模态模型无法超越仅分析文本的模型。 我们讨论了原因并开放该领域和数据集以进行进一步研究。

    Oct, 2019

  • SemEval-2021 任务 6：使用文本和多模态组合来检测有说服力的文本和图像

    本研究探讨使用 BERT 为基础的模型，通过迁移学习方式在多种表现形式的文本和图像中进行细微调整来检测饱受欢迎的疫情行销手法，如梗图。我们还尝试了不同模型的集合效果，在三个子任务上分别获得了 57.0％，48.2％和 52.1％的 F1-score。

    Jun, 2021

  • 新闻故事：用视觉摘要来说明文章

    该研究探索了一个新的问题，即学习对不同长度和数量的图像文本具有强鲁棒性的自我监督视觉语言表示法，其介绍了一个包括超过 31M 篇文章，22M 张图片和 1M 个视频的大规模多模态数据集，并表明最先进的图像文本对齐方法不能很好地处理带有多张图像和更长篇幅的叙述，且还提出了一种直观的基线方法，在 GoodNews 数据集上零样本图像集检索表现比这些方法高出 10%。

    Jul, 2022

  • 利用实体增强框架融合多模态线索提高假新闻检测

    本文围绕多模态虚假新闻检测问题，提出了一种新的提取多模态线索的框架，该框架能够充分地考虑图像文本的三种关系，并在实验证明其优于现有文献的方法。

    Aug, 2021

  • 逆向工程讽刺，或 “计算幽默论文” 尽管取得重大进展仍被接受

    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