Sep, 2022

社交媒体上的计算机挖掘讽刺语言：系统综述

PDF
TL;DR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。
sarcasmsentiment analysisunsupervised pre-trained transformerscontextenglish language
发现论文，激发创造
  • 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

  • Twitter 上自动讽刺检测的调查

    本研究探讨了自动检测讽刺的多种方法，包括通过上下文、发布历史和机器学习模型识别，特别是深度学习方法对于使用具有诱导而不是离散特征的模型以及 transformers 创新的好处具有可观的推动作用。

    Feb, 2022

  • 社交媒体文本中讽刺检测的研究视角

    在社交媒体上大量使用讽刺文本会对目标用户产生生理影响，讽刺检测对于用户来说很困难，更 对于机器来说是具有挑战性的。此论文讨论了各种讽刺检测技术及其相关数据集等，并总结了一些 方法、挑战和未来的方向。

    Apr, 2023

  • 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

  • 2020 年讽刺检测共享任务报告

    研究发现，找出人们的反讽和言语讽刺对于理解他们的实际情感和信仰至关重要。因此，反讽分析已成为自然语言处理中一个热门的研究问题。本文作为 FigLang2020 会议的一部分，介绍了一个 sarcasm detection 共享任务，旨在进行基准研究，以分析最先进的技术，推动该领域的进展。

    May, 2020

  • 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

  • 自动讽刺识别：一项调查

    本文汇总了过去的研究成果，讨论了自动讽刺检测的数据集、方法、趋势和问题，并呈现了过去有关特征、注释技术和数据形式等不同方面的论文总结表格。关键技术包括半监督模式提取、基于标签的监督以及针对目标文本进行的上下文分析。

    Feb, 2016

  • iSarcasm: 旨在表达讽刺的数据集

    本文研究了文本挖掘中的讽刺检测，特别关注作者意图和读者解读的区别，介绍了作者直接标注的 iSarcasm 数据集，并指出现有方法在捕捉作者意图上的局限性，提出未来自然语言处理研究需要发展更优秀的检测方法。

    Nov, 2019

  • Sarcasm SIGN: 基于情感的单语机器翻译解析讽刺

    本文提出了讽刺解释的翻译任务，并介绍了一个包含 3000 个讽刺推文的数据集和一个基于机器翻译算法的讽刺解释算法：SIGN。该算法针对情感词等定义性元素，展示了让人比其他解释模型更高的充分性和情感极性分数。此外，本文还讨论了未来研究方向。

    Apr, 2017

  • 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