本文介绍了我们对 SemEval-2022 任务 6：针对英语和阿拉伯语的讽刺检测及其五个子任务的参赛作品。我们使用基于 transformers 的深度学习技术来检测讽刺，数据集来自推特，数据预处理对于任务至关重要，我们的排名在四个子任务中保持稳定，这说明我们使用的模型和技术具有鲁棒性和稳定性。

Mar, 2022

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

本文介绍了应用基于深度学习的模型以及预训练的语言模型，在英语和阿拉伯语中进行讽刺检测任务。我们的系统已参与了所有子任务，并在阿拉伯语子任务 A 中取得最佳表现，在子任务 B 中排名第二，在子任务 C 中分别在阿拉伯语和英语数据集中排名第 7 和第 11。

Jun, 2022

本研究探讨了生成预训练转换器（GPT）模型（包括 GPT-3、InstructGPT、GPT-3.5 和 GPT-4）在检测自然语言中的讽刺的应用。该研究测试了不同大小和版本的精调和零 - shot 模型，并在 Self-Annotated Reddit Corpus（SARC 2.0）的政治和均衡（pol-bal）部分的讽刺数据集上进行了评估。结果显示，在精调的情况下，最大的精调 GPT-3 模型在准确性和 F1-score 方面达到了 0.81，超过了之前的模型。在零 - shot 的情况下，其中一个 GPT-4 模型的准确性为 0.70，F1-score 为 0.75，其他模型得分较低。此外，每个版本的模型性能可能会有所改善或恶化，强调了需要在每个版本发布后重新评估性能的必要性。

Dec, 2023

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

本文介绍了使用 MOSES 模型对于含有讽刺言语的对话进行 Sarcasm Explanation，以及在此基础上实现的 Sarcasm detection, humour identification, 和 emotion recognition 等自然语言理解任务，并且通过各种评估指标展示了该模型的优越性。

Nov, 2022

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

本文提出了一个基于多模态线索的新的讽刺数据集 (MUStARD)，并且证明了将多模态信息应用于讽刺检测可以将相对误差率降低高达 12.9%。

Jun, 2019

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

本文介绍了一种新颖的语义图 (semigraph) 方法，通过计算极性分数 (polarity scores) 实现对讽刺语气的检测，在亚马逊产品评论数据上的表现达到了准确度 0.87、召回率 0.79 和 F1 值 0.83。

Apr, 2023