ACLMay, 2022

将幽默和讽刺结合以提高政治模仿检测

PDF
TL;DR本文提出了一个多编码器模型，旨在将幽默和讽刺信息与夸张描绘这些比喻意象相结合，以提高政治恶搞检测的性能；在政治恶搞推文的公开可用数据集上进行的实验表明，我们的方法优于以前的最先进方法。
parodymimickingpolitcaltweetsmulti-encoder
发现论文，激发创造
  • 基于上下文、情感和情感特征的讽刺检测框架

    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

  • 多模态讽刺检测：基于分层一致性建模与知识增强的研究

    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

  • 多模态社交平台中的讽刺检测

    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

  • UTNLP 参加 SemEval-2022 任务 6：基于生成式和变异式数据增强的讽刺检测比较分析

    本文介绍了 UTNLP 团队在 SemEval-2022 共享任务 6 中进行讽刺性评论检测的方法和结果，对比了不同模型和数据增强方法的效果，最后使用 RoBERTa 和数据突变增强的方法取得了最佳结果。

    Apr, 2022

  • 通读文中寻找讽刺含义的推理

    本研究介绍一种基于注意力机制的神经模型，可以识别社交媒体（如 Twitter 和 Reddit）上的讽刺和对比主题，该模型不仅在 Twitter、Reddit 和互联网论证语料库的六个基准数据集中实现了最优性能，而且具有更好的解释性。

    May, 2018

  • 英印混合代码推文语料库用于讽刺检测

    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

  • 谁能想到那个！”：一种用于提取讽刺流行主题和探测讽刺的分层主题模型

    本研究基于主题模型提出了一种简单的讽刺检测模型，能够预测带有讽刺情感的话题，并且能够发现具有情感的单词组合，通过在推特数据集上进行实验，我们的模型能比之前的基于统计分类器的研究提高 25% 的识别率。

    Nov, 2016

  • 对最先进的大型语言模型在讽刺检测方面的评估

    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

  • 基于 OpenAI GPT 模型的讽刺检测研究

    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

  • 在多模态对话中解释（讽刺性）话语以提高情感理解能力

    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