Jun, 2022

情感识别讽刺言语的多模态语料库

PDF
TL;DR本论文针对识别嘲讽表达中的情感这一未被探索的任务，使用了最近发布的多模态嘲讽检测数据集（MUStARD）进行研究，并修正了其中的错误标签，最终将数据集标记上情感、情感强度和具体嘲讽类型，并提出多模态融合模型，用于嘲讽情感识别，表现优于现有的技术水平。
sarcasmemotiondatasetemotion recognitionsarcasm detection
发现论文，激发创造
  • 多模态讽刺检测（一篇_显然_完美的论文）

    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

  • 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

  • 视听中的讽刺：提升多模式讽刺检测的基准和扩展

    使用 MUStARD++ 数据集进行多模态严格基准测试，考虑最先进的语言、语音和视觉编码器，充分利用其多模态丰富性，实现超过现有基准的 2％宏平均 F1 值的改善；此外，提出了称为 MUStARD++ 平衡的扩展来解决 MUStARD++ 中 `sarcasm type` 类别的不平衡问题，通过将扩展中的实例分布于训练和测试集，进一步提升 2.4％的宏平均 F1 值。新的片段来自于电视节目 House MD，丰富了数据集的多样性，并由多名注释者进行了手动注释，根据 Cohen's kappa 和 Krippendorf's alpha 的显著的注释者一致性进行了注释。我们的代码、扩展数据和 SOTA 基准模型已经公开。

    Sep, 2023

  • 基于量子概率的联合多模态讽刺、情感和情绪分析框架

    本文提出一种基于量子概率的多模态讽刺、情感和情绪分析框架（QUIET），通过在两个数据集上进行大量实验，证明了 QUIET 与现有技术相比的有效性和优越性，并展示了量子概率在多情感分析中的巨大潜力。

    Jun, 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

  • 使用多任务学习进行情感和讽刺分类

    本论文旨在探讨情感分类和讽刺检测两个 NLP 任务之间的相关性，并提出了一种基于多任务学习的深度神经网络框架来模拟这种相关性，以改善这两个任务的性能。在基准数据集中，我们的方法比现有技术的表现提高了 3-4%。

    Jan, 2019

  • 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

  • 好香的香水。你泡在里面泡了多久？多模态的讽刺解释

    该论文提出了一个新的问题：多模态讽刺解释（MuSE），旨在针对一个带有图像和标题的多模态讽刺贴文，生成自然语言解释以揭示意图的讽刺。通过使用一个跨模态注意力的 Transformer 编码器，并使用 BART 的自回归解码器作为生成器，该论文提供了一个 Multimodal 讽刺解释数据集，并以各种基线进行了实证结果评估。

    Dec, 2021

  • 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