本文提出了一种简单而有效的方法来生成双关语句子，该方法不需要训练现有双关语。我们的方法受到幽默理论的启发，即歧义来自于上下文而不是双关词本身，我们的模型首先通过反向字典生成与双关词相关概念的列表，然后利用一次性 GPT3 生成上下文单词，最后将从两个概念中的上下文词语生成双关语。人类评估表明，我们的方法成功地生成 52％的双关语，远远优于其他精心制作的基线和最先进的模型。

May, 2022

本研究提出了一种上下文适应的谐音生成任务，并设计了一个基于谐音检索和生成的系统，能够通过给定的上下文关键词生成成功率为 40％的谐音，较先前的方法产生率高 32％。

Oct, 2022

提出了一个统一框架，用于生成同音和同形双关语以解决语言模型中的分裂问题。该框架包括三个部分：1）上下文单词 / 短语选择器，以促进双关语的歧义性、独特性和惊喜性；2）一个针对非双关语句子进行训练的生成模型，将上下文单词 / 短语纳入生成结果；3）一个标签预测器，学习了双关语的结构，用于引导推理时的生成模型。对双关语类型的评估结果表明，该模型相对于基线模型具有更好的效果。

Oct, 2022

本文提出了基于语言模型和局部 - 全局惊奇原则的双关语生成的无监督方法 —— 提取语料库中的非幽默文本进行生成，成功率较神经网络生成基线高三倍以上。

Apr, 2019

该论文从序列标注的角度，提出了一种同时解决双关语检测和位置定位的方法，并采用新的标记方案，表明该方法在处理同形异义词和同音异义词方面都具有显著的效果，实验结果证明了该方法可以达到最新的最优结果。

Aug, 2019

本文总结了解释性自然语言处理领域近年来集中收集人类注释的文本解释，将其分为三类 (highlights, free-text, and structured) 并对其注释方法进行整理，提出了现有采集方法的优点和缺点，给出了未来收集数据集的建议。

Feb, 2021

本文介绍了一种无需预先收集大量双关语语料库的生成双关语句子的方法 ——Pun-GAN，该方法采用对抗生成网络和强化学习，并在自动和人类评估中取得了更大的歧义性和多样性效果。

Oct, 2019

本文提出了 Pronunciation-attentive Contextualized Pun Recognition（PCPR）模型，该模型通过捕捉相关语境与其对应音标符号之间的关联性来感知人类幽默，检测句子中是否包含双关语并定位它们。实验表明，该方法在双关语检测和定位任务中明显优于现有方法，并经过了深入分析验证了 PCPR 的有效性和鲁棒性。

Apr, 2020

本文介绍了构建能够为特定图像生成俏皮描述的计算机模型的研究，并且根据人类对幽默的欣赏理解，采用语言文字游戏，特别是双关语来为图像添加俏皮描述，并使用大量语料库或编码 - 解码神经网络结构产生，与有意义的基准方法通过人类研究进行了比较，证明了实现幽默的模型表现得更好。

Apr, 2017

使用 GPT-3.5 过滤与嘲笑相关的语言与视觉元素，通过时间戳和文字解释为每个视频注释，以提高大型语言模型对视频幽默的理解。

Oct, 2023