通过英 - 印混合码数据集，我们开发了一个基于随机森林分类器并进行了 10 折交叉验证的基线监督分类系统，该系统可以检测到社交媒体上的文字中的反讽，并标记每个标记的语言标签。该系统平均得分为 78.4%。

May, 2018

本文提出了一种基于层次结构的检测方法，通过多头交叉注意力机制和图神经网络同时探索文本和图像之间的原子级一致性和组成级一致性，利用丰富的外部知识资源进行讽刺检测，评估结果表明该模型优于现有的技术。

Oct, 2022

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

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

该论文探讨了如何使用 Context2Vec 获取句子中不一致的词，进而提出了两种实现讽刺检测的方法，分别针对所有内容词以及最不一致的 50% 内容词，这些方法在推特上表现优异但并不适合于论坛帖子，讨论了导致这种情况发生的原因，并通过手动标注标本中的不一致词明确了使用句子完成进行讽刺检测的前景。

Jul, 2017

本研究开发了一个多模态的印地语 - 英语混合数据集用于会话中的多模态讽刺检测和幽默分类，并提出了一种新的基于注意力机制的神经架构 MSH-COMICS，该模型在两个任务中都具有优越性能。

May, 2021

分析社交媒体上多模态信息中，表面情感和隐含情感之间的关系，探究图像在人类注释中的必要性，并提出了两种不同的计算框架来检测其中的讽刺色彩。结果表明，结合多模态信息的检测方法在各平台上均取得了良好的效果。

Aug, 2016

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

通过引入新的由新闻头条数据集组成的数据集，以及使用子神经网络和注意机制，本论文提出了一种有效识别铁 y 定义类的方法，其在分类精度方面优于基准线约 5%。

Aug, 2019

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