社交媒体文本中讽刺检测的研究视角

Apr, 2023

社交媒体文本中讽刺检测的研究视角

Researchers eye-view of sarcasm detection in social media textual content

Swapnil Mane, Vaibhav Khatavkar

TL;DR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。

Abstract

The enormous use of sarcastic text in all forms of communication in social media will have a physiological effect on target users. Each user has a different approach to misusing and recognising sarcasm. sarcasm detection is difficult even for users, and this will depend on many things

sarcasm detection physiological effects social media approaches challenges

发现论文，激发创造

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

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

社交媒体上的计算机挖掘讽刺语言：系统综述

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

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

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

利用认知特征进行讽刺检测

介绍了一种从阅读者的眼动模式中提取认知特征，用于增强特征向量，以提高讽刺检测的性能的新机制。使用增强的特征集进行统计分类，性能提高了 3.7％（以 F-score 为度量），超过了最佳报告系统的性能。

Jan, 2017

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

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

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

一种通用的讽刺检测方法即将到来，当然！

对四个具有不同讽刺特征的讽刺数据集进行精调的讽刺检测模型的鲁棒性进行了测试，结果发现使用第三方标签进行精调的模型在内部数据集预测中表现更好，而大多数模型在跨数据集预测中无法很好地进行泛化，暗示一个数据集类型无法代表不同风格和领域的所有种类的讽刺。与现有数据集相比，本研究发布的新数据集上精调的模型在与其他数据集的泛化性能上表现最好。通过手动检查数据集和事后分析，我们发现泛化困难的原因在于讽刺实际上存在不同的领域和风格。我们认为未来的讽刺研究应考虑讽刺的广泛范围。

Apr, 2024