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。

Jun, 2022

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

本文提出了一种基于量子理论的多模态情感分析框架，通过超定态和纠缠的方式对单模态内部交互和跨模态交互进行建模，并成功应用到了两个基准影片情感分析数据集上，普适性优于现有技术水平。

Mar, 2021

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

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

本研究开发了一个多模态的印地语 - 英语混合数据集用于会话中的多模态讽刺检测和幽默分类，并提出了一种新的基于注意力机制的神经架构 MSH-COMICS，该模型在两个任务中都具有优越性能。

May, 2021

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

本研究利用量子认知思想提出了一种新的视频情感分析数据融合策略，将话语表示为含有正、负情感判断量子叠加态的复值希尔伯特空间的可共存不可测量观测值，在基准数据集的实验中，该模型较现有决策层和内容层融合方法处理复杂情感信息更具优势，并能有效处理所有组合情况，包括所有单模分类器错误判断的极端情况。

Jan, 2021

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

本文总结了最新的量子认知启发情绪分析模型的发展，这些模型通过运用量子概率与深度神经网络相结合来解决情绪分析中所面临的挑战，并展示了相对传统模型的优势以及未来的研究方向。

Jun, 2023