Automatic Sarcasm Detection: A Survey
IITB-Monash Research Academy（IITB-莫纳什研究学院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）
自动讽刺检测是预测文本中讽刺的任务。这是情感分析的关键一步，考虑到讽刺的流行和挑战，在情感承载文本。从使用基于语音的特征的方法开始，讽刺检测已经引起了情感分析社区的极大兴趣。本文是第一个已知的汇编过去的工作在自动讽刺检测。到目前为止，我们在研究中观察到三个里程碑：半监督模式提取以识别隐含的情感，使用基于标签的监督，以及使用目标文本之外的上下文。在本文中，我们描述了数据集，方法，趋势和问题的讽刺检测。我们还讨论了代表性的性能值，共同的任务和指针，以未来的工作，在以前的作品。在有助于理解最新技术水平的资源方面，调查提供了几个有用的说明-最突出的是，一个表格总结了过去的论文，从不同的角度，如功能，注释技术，数据形式等。
2016-09-20 cs.CL
BNS-Net: A Dual-channel Sarcasm Detection Method Considering Behavior-level and Sentence-level Conflicts
提出双通道讽刺检测模型BNS-Net，通过行为级和句子级冲突通道分别重构文本并引入外部情感知识捕捉冲突，在三个公开数据集上取得最先进性能。
2023-09-07 cs.CL
Sarcasm Detection Framework Using Context, Emotion and Sentiment Features
Instituto Politécnico Nacional（国立理工学院）
讽刺检测是一项重要的任务，可以帮助识别用户生成的数据（如论坛或推文）中的实际情绪。讽刺是一种复杂的语言表达形式，因为它的表面意义通常与其内在的深层意义相矛盾。这种不协调是讽刺的基本组成部分，然而，它使得讽刺检测相当具有挑战性的任务。在本文中，我们提出了一个模型，它结合了不同的功能来捕捉讽刺内在的不协调。我们使用预训练的Transformer和CNN来捕获上下文特征，并且我们使用在情感检测和情感分析任务上预训练的Transformers。我们的方法在来自社交网络平台和在线媒体的四个数据集上的表现优于以前的最先进的结果。
2023-01-04 cs.CL cs.LG
A Transformer and Prototype-based Interpretable Model for Contextual Sarcasm Detection
Drexel University（德雷塞尔大学）
本文提出一种结合变换器和原型网络的可解释模型，通过情感嵌入实现语境讽刺检测，优于当前最佳方法，且原型层通过相似示例生成解释。
2026-04-20 cs.CL
SAIDS: A Novel Approach for Sentiment Analysis Informed of Dialect and Sarcasm
Cairo University（开罗大学）
情感分析成为每个社交网络的重要组成部分，因为它使决策者能够更多地了解用户在几乎所有生活方面的意见。尽管它的重要性，它遇到了多个问题，如讽刺文本的情感，这是情感分析的主要挑战之一。本文通过引入一种新的系统（SAIDS）来应对这一挑战，该系统可以预测阿拉伯语推文的情感，讽刺和方言。SAIDS使用其对讽刺和方言的预测作为已知信息来预测情感。它使用MARBERT作为语言模型来生成句子嵌入，然后将其传递给讽刺和方言模型，然后将三个模型的输出连接起来并传递给情感分析模型。多个系统设计设置进行了实验和报告。SAIDS被应用于ArSarcasm-v2数据集，它优于情感分析任务的最先进模型。通过对所有任务进行训练，SAIDS在情感分析、讽刺检测和方言识别方面分别获得了75.98 FPN、59.09 F1得分和71.13 F1得分的结果。该系统设计可用于增强任何依赖于其他任务的任务的性能。
2023-01-06 cs.AI cs.CL
On the Impact of Language Nuances on Sentiment Analysis with Large Language Models: Paraphrasing, Sarcasm, and Emojis
University of Michigan（密歇根大学）
本文研究表情符号与反讽等语言细微差异对大语言模型情感分析的影响，通过构建5929条标注推文数据集，发现反讽移除、通用数据训练、对抗增强和文本改写可分别将准确率提升至最高85%和6%。
2025-04-08 cs.CL cs.LG
Sarcasm Detection: A Comparative Study
University of Georgia（佐治亚大学）
讽刺检测是指在带有情感的文本中识别出含有讽刺的话语。然而，讽刺的比喻性和创造性的性质提出了一个很大的挑战，情感计算系统执行情感分析。本文对自动反语检测领域的主要研究成果进行了综述。到目前为止，研究人员处理这项任务的方式发生了三个主要的范式转变：1）半监督模式提取以识别隐含的情感，2）使用基于标签的监督，以及3）将上下文纳入目标文本之外。在这篇文章中，我们提供了一个全面的审查的数据集，方法，趋势和讽刺和讽刺检测的问题。
2021-07-07 cs.CL cs.LG
Sentiment-enhanced Graph-based Sarcasm Explanation in Dialogue
Shandong University（山东大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Shandong Jianzhu University（山东建筑大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
针对多模态对话反讽解释任务，提出 EDGE 框架，融合话语与音视频情感并构建上下文-情感图，在 WITS 上优于前沿方法。
2025-01-06 cs.CL cs.MM
Presence of informal language, such as emoticons, hashtags, and slang, impact the performance of sentiment analysis models on social media text?
University of Miskolc（米什科尔茨大学）
本研究旨在探讨表情符号和俚语等非正式语言的存在对社交媒体文本情感分析模型性能的影响。卷积神经网络（CNN）模型在三个数据集上被开发和训练：讽刺数据集、情感数据集和表情数据集。模型架构在所有实验中保持不变，模型在80%的数据上进行训练，并在20%的数据上进行测试。结果显示，该模型在讽刺数据集上的准确率为96.47%，其中类别1的准确率最低。在情感数据集上，该模型的准确率达到了95.28%。讽刺和情感数据集的融合将模型的准确率提高到95.1%，表情数据集的加入对模型的准确率有轻微的积极影响，达到95.37%。该研究表明，非正式语言的存在对应用于社交媒体文本的情感分析模型的性能具有有限的影响。然而，将表情数据包含到模型中可以稍微提高准确性。
2023-01-28 cs.CL
A Quantum Probability Driven Framework for Joint Multi-Modal Sarcasm, Sentiment and Emotion Analysis
Beijing Institute of Technology（北京理工大学）；The Open University（开放大学）；The Hong Kong Polytechnic University（香港理工大学）；Chongqing University（重庆大学）；China Mobile Communication Group Tianjin Co., Ltd.（中国移动通信集团天津有限公司）；Nanjing University（南京大学）；Zhengzhou University of Light Industry（郑州轻工业大学）
针对多模态讽刺、情感与情绪判断中的跨模态交互和不相容认知问题，提出量子概率驱动框架 QUIET，并在两个数据集上验证其优于先进基线。
2023-06-06 cs.AI cs.CL
Pragmatic Metacognitive Prompting Improves LLM Performance on Sarcasm Detection
Algoverse AI Research（Algoverse AI研究院）
本文提出语用元认知提示 PMP，通过语用推理与反思策略增强 LLM 的语境和隐含意义理解，并在 MUStARD、SemEval2018 上取得最优反讽检测性能。
2024-12-04 cs.CL
Combining Context-Free and Contextualized Representations for Arabic Sarcasm Detection and Sentiment Identification
Savitribai Phule Pune University（萨维特里巴伊·普勒浦那大学）
自诞生以来，基于transformer的语言模型已经在多个自然语言处理任务中带来了令人印象深刻的性能提升。对于阿拉伯语，大多数数据集上的当前最先进的结果是通过AraBERT语言模型实现的。尽管最近取得了这些进展，讽刺和情感检测仍然是阿拉伯语中具有挑战性的任务，因为该语言具有丰富的形态，语言差异和方言变化。本文提供了SPPU-AASM团队提交的WANLP ArSarcasm共享任务2021，该任务围绕阿拉伯语推文的讽刺和情感极性检测。该研究提出了一种混合模型，将AraBERT的句子表示与在阿拉伯语社交媒体语料库上训练的静态词向量相结合。所提出的系统实现了F1讽刺得分为0.62和F-PN得分为0.715的讽刺和情感检测任务，分别。仿真结果表明，该系统优于现有的多种方法的任务，这表明，上下文无关和上下文相关的文本表示的融合，可以帮助捕捉阿拉伯语单词意义的互补方面。该系统在讽刺检测和情感识别的子任务中分别排名第二和第十。
2021-03-09 cs.CL cs.LG cs.NE
An Innovative CGL-MHA Model for Sarcasm Sentiment Recognition Using the MindSpore Framework
Guangxi Police College（广西警察学院）
提出一种整合CNN、GRU、LSTM和多头注意力的CGL-MHA模型，在Headlines和Riloff数据集上分别取得81.20%和79.72%的准确率，有效提升社交媒体讽刺检测性能。
2024-11-02 cs.CL cs.LG
AraCOVID19-SSD: Arabic COVID-19 Sentiment and Sarcasm Detection Dataset
Research Centre on Scientific and Technical Information (CERIST)（科学技术信息研究中心（CERIST））
冠状病毒病（COVID-19）是一种传染性呼吸道疾病，于2019年12月下旬在中国武汉首次发现，随后在全球范围内传播，造成大量恐慌和死亡。Facebook和Twitter等社交网站的用户一直专注于阅读、发布和分享有关新出现的大流行病的新奇事物、推文和文章。许多这些用户经常使用讽刺来以幽默，有趣和间接的方式传达他们的意图，使得基于计算机的应用程序很难自动理解和识别他们的目标以及他们可以改变的伤害程度。出于对在COVID-19背景下解决此类问题的注释数据集的新兴需求，本文构建并发布了AraCOVID 19-SSD，这是一个手动注释的阿拉伯语COVID-19讽刺和情感检测数据集，包含5，162条推文。为了确认所构建的数据集的实际效用，已经使用几种分类模型对其进行了仔细的分析和测试。
2021-10-05 cs.AI cs.CL
"Laughing at you or with you": The Role of Sarcasm in Shaping the Disagreement Space
Educational Testing Service（教育考试服务中心）；MindMeld, Cisco Systems（思科系统MindMeld部门）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
检测在线交互中的参数有助于了解冲突如何产生和解决。用户经常使用比喻性的语言，如讽刺，作为说服手段或攻击对手的广告人身攻击的论点。为了进一步理解讽刺在形成分歧空间中的作用，我们提出了一个彻底的实验设置，使用语料库注释的争论动作（同意/不同意）和讽刺。我们在以下方面利用联合建模：（a）将在检测讽刺中有用的离散特征应用于争论关系分类的任务（同意/不同意/无），以及（b）使用深度学习架构（例如，双长短期记忆（LSTM），具有分层注意力和基于transformer的架构）。我们证明，建模讽刺提高了所有设置中的争论关系分类任务（同意/不同意/无）。
2021-01-26 cs.CL
MeisterMorxrc at SemEval-2020 Task 9: Fine-Tune Bert and Multitask Learning for Sentiment Analysis of Code-Mixed Tweets
Tianjin University（天津大学）
自然语言处理（NLP）已经应用于包括文本分类和情感分析的各种领域。在SemEval-2020竞赛\cite{patwa2020sentimix}的一部分代码混合推文的情感分析共享任务中，我们通过替换表情符号和删除不常见字符等来预处理数据集，然后微调来自Transformers（BERT）的双向编码器表示以获得最佳性能。在用尽top3提交，我们的团队MeisterMorxrc达到平均F1得分0.730在这个任务中，和我们的codalab用户名是MeisterMorxrc.
2020-12-15 cs.CL
A Deeper Look into Sarcastic Tweets Using Deep Convolutional Neural Networks
Nanyang Technological University（南洋理工大学）
讽刺检测是许多自然语言处理任务的关键。例如，在情感分析中，讽刺可以翻转“明显积极”的句子的极性，并且因此负面地影响极性检测性能。到目前为止，大多数的讽刺检测方法主要是作为一个文本分类的问题。然而，讽刺可以以非常微妙的方式表达，并且需要对自然语言有更深入的理解，而这是标准文本分类技术无法掌握的。在这项工作中，我们开发了基于预训练的卷积神经网络的模型，用于提取用于讽刺检测的情感，情感和个性特征。这些特征，以及网络的基线特征，使所提出的模型在基准数据集上的表现优于现有技术。我们还解决了在学习阶段对模型未看到的数据进行分类的经常被忽视的泛化问题。
2017-07-27 cs.CL
Does Commonsense help in detecting Sarcasm?
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
讽刺检测对于几个NLP任务很重要，例如产品评论中的情感识别，用户反馈和在线论坛。这是一项具有挑战性的任务，需要深入了解语言、上下文和世界知识。在本文中，我们调查是否将常识知识有助于讽刺检测。为此，我们使用图卷积网络将常识知识纳入预测过程，该网络以预训练的语言模型嵌入作为输入。我们的实验与三个讽刺检测数据集表明，该方法不优于基线模型。我们进行了一组详尽的实验来分析常识支持在哪里增加了价值，在哪里伤害了分类。我们的实现可以在https://github.com/brcsomnath/commonsense-sarcasm上公开获得。
2021-09-17 cs.CL
Automatic Identification of Sarcasm Target: An Introductory Approach
IIT-BHU (Varanasi)（印度理工学院（瓦拉纳西））；IIT Bombay（印度理工学院孟买分校）；Monash University（蒙纳士大学）；IITB-Monash Research Academy（印度理工学院孟买分校-蒙纳士研究学院）
过去在计算讽刺的工作主要涉及讽刺检测。本文介绍了一个新颖的相关问题：讽刺目标识别，即，在讽刺的句子中提取嘲笑的目标）。我们提出了一个介绍性的方法，讽刺目标识别。我们的方法采用两种类型的提取器：一个基于规则，另一个由统计分类器。为了比较我们的方法，我们使用了两个基线：一个是朴素的基线，另一个是基于情感目标识别的基线。我们进行我们的实验，书籍片段和推文，并表明，我们的混合方法比两个基线，也比单独使用两个提取器。我们的介绍性方法建立了讽刺目标识别的可行性，并将作为未来工作的基线。
2017-08-25 cs.CL
sarcasm detection and quantification in arabic tweets
Al-Buraimi University（布赖米大学）
预测文本中的讽刺的作用被称为自动讽刺检测。鉴于讽刺在情感文本中的普遍性和挑战性，这是大多数情感分析任务中的关键阶段。随着世界各地用户对不同社交媒体平台的日益普及和使用，人们在日常对话、社交媒体帖子和推文中越来越多地使用讽刺，这被认为是人们表达对某些话题或问题的看法的一种方式。随着讽刺语的日益流行，研究者们开始把研究的重点放在从不同语言尤其是英语文本中发现讽刺语上。然而，由于讽刺文本的性质，讽刺检测的任务是一项具有挑战性的任务;这可能是相对的，并且取决于主题，区域，用户的心态和其他因素，从一个人到另一个人有显着差异。除了这些挑战之外，由于阿拉伯语的复杂性，阿拉伯语中的讽刺检测也有自己的挑战，例如形态丰富，许多方言彼此之间存在显着差异，同时资源也很低。近年来，只有少数研究尝试开始解决阿拉伯语中的讽刺检测任务，包括创建和收集语料库，组织研讨会和建立基线模型。本文旨在创建一个新的人工标注的阿拉伯语语料库，用于从推文中提取讽刺语，并实现一种新的阿拉伯语推文中讽刺语的检测和量化方法。本文中遵循的注释技术在讽刺检测中是独特的，并且所提出的方法将该问题作为回归问题而不是分类来处理;即，该模型试图预测讽刺的水平，而不是二元分类。
2021-08-03 cs.AI cs.CL
BESSTIE: A Benchmark for Sentiment and Sarcasm Classification for Varieties of English
University of New South Wales（新南威尔士大学）；Institute for People-Centered AI（以人为中心的人工智能研究所）；University of Surrey（萨里大学）
针对现有英语情感分析缺乏多变体标注数据集的问题，研究推出包含澳、印、英三种英语变体的情感与讽刺分类基准BESSTIE，经多步验证后微调9个LLM发现模型在内圈英语变体上表现更优，凸显变体专属数据集对公平LLM研究的价值。
2025-06-17 cs.AI cs.CL
Sarcasm Detection Using Deep Convolutional Neural Networks: A Modular Deep Learning Framework
Dr. Vishwanath Karad MIT World Peace University, Pune（维什万纳特·卡拉德博士 MIT 世界和平大学）
本文提出一种结合DCNNs和BERT的模块化深度学习框架，通过多层架构整合情感分析、上下文嵌入、语言特征提取与情绪检测，以解决文本中缺乏语气和肢体语言的讽刺检测问题。
2025-10-12 cs.CL
Computational Sarcasm Analysis on Social Media: A Systematic Review
Islamic University of Technology（伊斯兰理工大学）
讽刺可以被定义为说或写与自己真正想表达的相反的话，通常是为了侮辱，激怒或娱乐某人。由于文本数据中讽刺的模糊性质，检测它是困难的，并且对情感分析研究社区有很大的兴趣。虽然讽刺检测的研究已经持续了十多年，但最近已经取得了一些重大进展，包括在多模态环境中使用无监督的预训练Transformers以及整合上下文来识别讽刺。在这项研究中，我们的目的是提供一个简短的概述，最近的进展和趋势计算讽刺的研究，为英语。我们描述了相关的数据集，方法，趋势，问题，挑战和任务有关的讽刺是无法检测的。我们的研究提供了讽刺数据集，讽刺特征及其提取方法，以及各种方法的性能分析的总结表，可以帮助相关领域的研究人员了解当前最先进的讽刺检测实践。
2022-09-20 cs.CL
Harnessing Cognitive Features for Sarcasm Detection
Indian Institute of Technology Bombay（印度理工学院孟买分校）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；IBM Research（IBM研究院）
在本文中，我们提出了一种新的机制，丰富的特征向量，讽刺检测的任务，从人类读者的眼动模式提取的认知特征。讽刺检测一直是一个具有挑战性的研究问题，其对于评论摘要、对话系统和情感分析等NLP应用的重要性已得到广泛认可。讽刺通常可以追溯到不协调，随着整个句子的展开而变得明显。这种不协调的存在--无论是隐含的还是明确的--都会影响读者的眼睛在文本中移动的方式。我们观察眼睛的行为的差异，而阅读讽刺和非讽刺的句子。基于他的观察，我们利用从读者眼动数据中获得的认知特征来增强传统的语言和文体特征。我们使用这样获得的增强特征集进行统计分类。增强的认知功能提高讽刺检测3.7%（F分数），在最好的报告系统的性能。
2017-01-19 cs.CL
A Corpus of English-Hindi Code-Mixed Tweets for Sarcasm Detection
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术研究所）
像Twitter和Facebook这样的社交媒体平台已经成为人们用来表达他们对不同话题的看法的两个最大的媒介。如此大规模的用户数据的产生使得情感分析和意见挖掘等NLP任务变得更加重要。最近，在社交媒体上的文本中使用讽刺已经成为一种流行趋势。使用讽刺会颠倒文本所暗示的意义和极性，这对许多NLP任务构成了挑战。文本中的讽刺检测对于商业和安全服务都越来越重要。我们提出了第一个英语印地语代码混合数据集的推文标记的讽刺和讽刺的存在，每个令牌也注释了一个语言标签。我们提出了一个基线监督分类系统，使用相同的数据集，实现了平均F-得分为78.4后，使用随机森林分类器和执行10倍交叉验证。
2018-05-30 cs.CL
SarcasmBench: Towards Evaluating Large Language Models on Sarcasm Understanding
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；The Hong Kong Polytechnic University（香港理工大学）；College of Software Engineering, Zhengzhou University of Light Industry（郑州轻工业大学软件学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Information Technology, Halmstad University（哈尔姆斯塔德大学信息技术学院）
本文提出SarcasmBench，通过多种提示方法评估LLMs和PLMs在6个讽刺基准上的表现，发现LLMs不及监督PLMs基线，GPT-4表现最佳，且少样本IO提示优于CoT。
2024-08-24 cs.AI cs.CL
X-PuDu at SemEval-2022 Task 6: Multilingual Learning for English and Arabic Sarcasm Detection
Baidu（百度）；Shanghai Pudong Development Bank（上海浦东发展银行）
从人们的主观陈述中检测讽刺和言语讽刺对于理解他们在社会场景中的意图和真实情感和位置至关重要。本文介绍了X-PuDu系统，参加了SemEval-2022任务6，iSarcasmEval -有意讽刺检测英语和阿拉伯语，其目的是检测有意讽刺自然语言理解的各种设置。我们的解决方案在多语言设置下微调预训练的语言模型，如ERNIE-M和DeBERTa，以识别阿拉伯语和英语文本中的讽刺。我们的系统在43个任务中排名第二，在32个任务中排名第九：英语和阿拉伯语的一句话检测;在22个任务中排名第五：英语的二进制多标签分类;在16个任务中排名第一，在13个任务中排名第五：英语和阿拉伯语的双对检测。
2022-11-30 cs.CL
Nek Minit: Harnessing Pragmatic Metacognitive Prompting for Explainable Sarcasm Detection of Australian and Indian English
University of New South Wales（新南威尔士大学）
本研究针对地域英语变体讽刺检测的难点，提出利用实用元认知提示（PMP）实现可解释讽刺检测，在澳、印英语及标准英语数据集上验证了其相比其他提示策略的显著性能提升。
2025-10-30 cs.AI cs.CL
CS-UM6P at SemEval-2022 Task 6: Transformer-based Models for Intended Sarcasm Detection in English and Arabic
Mohammed VI Polytechnic University（穆罕默德六世理工大学）
讽刺是比喻语言的一种形式，其中一个句子的预期含义与其字面意思不同。这对几个自然语言处理（NLP）应用（如情感分析、意见挖掘和作者分析）提出了严峻的挑战。在本文中，我们提出了我们的参与系统，在英语和阿拉伯语的预定讽刺检测任务。我们的系统\footnote{The source code of our system is available at \url{https://github.com/AbdelkaderMH/iSarcasmEval}}由三个基于深度学习的模型组成，利用了两个现有的阿拉伯语和英语的预训练语言模型。我们参与了所有的子任务。我们的正式提交在阿拉伯语的子任务A中表现最好，在子任务B中排名第二。对于子任务C，我们的系统在阿拉伯语和英语数据集上分别排名第7和第11位。
2022-06-16 cs.CL
Sentiment Analysis and Sarcasm Detection of Indian General Election Tweets
University of Allahabad（阿拉哈巴德大学）
在当今的数字世界中，社交媒体的使用率已达到历史最高水平。大多数人使用社交媒体工具（如Twitter，Facebook，YouTube等）。与社区分享他们的想法和经验。分析普通民众的情绪和意见对政府和商界都很重要。这是很多传媒机构在选举期间积极进行各种民意调查的原因。在本文中，我们利用2019年Lok Sabha选举期间的Twitter数据分析了印度人民的情绪。我们已经建立了一个自动鸣叫分析器使用迁移学习技术来处理这个问题的无监督性质。在我们的机器学习模型中，我们使用了线性支持向量分类器方法，也使用了词频逆文档频率（TF-IDF）方法来处理推文的文本数据。此外，我们增加了模型的能力，以解决一些用户发布的讽刺性推文，这还没有被该领域的研究人员考虑。
2022-01-03 cs.CL cs.IR cs.LG
Multitask Learning for Fine-Grained Twitter Sentiment Analysis
Univ. Grenoble Alps（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
传统的情感分析方法通过分别学习任务来解决三元（3类）和细粒度（5类）分类等问题。我们认为，这样的分类任务是相关的，我们提出了一个多任务的方法，基于一个循环神经网络，共同学习它们的好处。我们的研究展示了多任务模型在这类问题上的潜力，并改进了细粒度情感分类问题的最新结果。
2017-07-12 cs.CL cs.IR cs.LG
A Multimodal Corpus for Emotion Recognition in Sarcasm
IBM Research India（IBM印度研究院）；IIT Bombay（印度理工学院孟买分校）
虽然情绪和情感分析已经被广泛研究，但讽刺和情感之间的关系在很大程度上尚未被探索。一个讽刺的表达可能有各种潜在的情绪。例如，“我喜欢被忽视”掩盖了悲伤，而“我的手机是神话般的电池备份只有15分钟！“表达了沮丧检测讽刺表情背后的情感是一项重要的任务。我们承担的任务是在一个讽刺的声明中检测情感，据我们所知，这是迄今为止尚未探索过的。我们从最近发布的多模态讽刺检测数据集（MUSTARD）开始，预先注释了9种情绪。我们识别并纠正了343个不正确的情感标签（690个）。我们将数据集的大小加倍，用情绪以及情绪强度和唤醒度来标记它，这是情绪强度的重要指标。最后，我们将每一个讽刺话语标记为四种讽刺类型之一：命题式、嵌入式、前缀式和言外式，目的是推进讽刺检测研究。详尽的实验与多模态（文本，音频和视频）融合模型建立了一个基准，准确的情感识别讽刺和优于国家的最先进的讽刺检测。我们发布了包含各种注释的数据集和用于研究目的的代码：https://github.com/apoorva-nunna/MUStARD_Plus_Plus
2022-06-05 cs.CL
Detecting Sarcasm in Multimodal Social Platforms
University of Turin（都灵大学）；Yahoo（雅虎）
讽刺是一种特殊的情感表达形式，表面情感与隐含情感不同。社交媒体平台中的讽刺的检测在过去主要应用于文本话语，其中词汇指示符（诸如感叹词和加强词）、语言标记和上下文信息（诸如用户简档或过去的对话）被用于检测讽刺语气。然而，现代社交媒体平台允许创建多模态消息，其中视听内容与文本相结合，从而孤立地分析模式。在我们的工作中，我们首先研究了来自三个主要社交媒体平台的多模态帖子中文本和视觉方面之间的关系，即，Instagram，Tumblr和Twitter，我们运行一个众包任务来量化人类注释者认为图像是必要的程度。此外，我们提出了两种不同的计算框架来检测讽刺，整合的文本和视觉形式。第一种方法利用在外部数据集上训练的视觉语义，并将语义特征与最先进的文本特征连接起来。第二种方法是将一个在ImageNet上训练的参数初始化的视觉神经网络适应于多模态讽刺帖子。结果显示了跨平台和方法的讽刺检测的组合方式的积极影响。
2016-08-08 cs.CL cs.CV cs.MM
A Report on the 2020 Sarcasm Detection Shared Task
Educational Testing Service（教育考试服务中心）；Columbia University（哥伦比亚大学）
检测讽刺和言语讽刺对于理解人们的实际情感和信仰至关重要。因此，反语分析已成为自然语言处理中的一个热门研究课题。随着研究用于讽刺检测的计算方法的社区不断增长，必须进行基准研究以分析当前的最新技术水平，促进这一领域的进展。我们报告了我们在ACL 2020上进行的第二届比喻语言处理研讨会（FigLang 2020）的一部分的讽刺检测共享任务。
2020-06-04 cs.CL cs.LG
UTNLP at SemEval-2022 Task 6: A Comparative Analysis of Sarcasm Detection Using Generative-based and Mutation-based Data Augmentation
University of Tehran（德黑兰大学）
Sarcasm是一个术语，指的是使用词语来嘲笑，激怒或娱乐某人。它通常在社交媒体上使用。讽刺的隐喻性和创造性本质给基于情感计算的情感分析系统带来了很大的困难。本文介绍了我们的团队UTNLP在SemEval-2022共享任务6中关于讽刺检测的方法和结果。我们将不同的模型和数据增强方法用于测试，并报告哪种方法效果最好。测试从传统的机器学习模型开始，然后发展到基于transformer和基于注意力的模型。我们采用了基于数据突变和数据生成的数据增强。使用RoBERTa和基于突变的数据增强，我们的最佳方法在比赛的评估阶段实现了0.38的F1讽刺。比赛结束后，我们修复了模型的缺陷，获得了0.414的F1讽刺。
2022-06-28 cs.CL
Indo LEGO-ABSA: A Multitask Generative Aspect Based Sentiment Analysis for Indonesian Language
Institut Teknologi Bandung（万隆理工学院）
针对印尼语缺乏生成式多任务方面级情感分析方案的问题，本研究基于mT5构建Indo LEGO-ABSA模型，采用多任务学习与提示方法，在印尼酒店领域数据集的五类ABSA任务上取得了79.55%-88.09%的F1值。
2023-11-03 cs.AI cs.CL
Sarcasm Detection in a Less-Resourced Language
University of Ljubljana（卢布尔雅那大学）；Faculty of Computer and Information Science（计算机与信息科学学院）
本文针对斯洛文尼亚语等低资源语言构建反讽检测数据集，利用机器翻译中型transformer模型和超大型生成语言模型生成数据，训练检测模型集成并评估性能，发现大模型及集成方法能提升检测效果，最佳集成F1达0.765。
2024-10-16 cs.CL cs.LG
Detecting Emotional Incongruity of Sarcasm by Commonsense Reasoning
本文提出反讽检测框架EICR，通过检索增强大模型补充常识、构建依赖图、引入自适应推理骨架提取情感不一致子图，并结合对抗对比学习增强鲁棒性，在五个数据集上验证了有效性。
2024-12-20 cs.AI cs.CL
Sentiment analysis is not solved! Assessing and probing sentiment classification
University of Oslo（奥斯陆大学）
SA的神经方法已经导致了对以前方法的定量改进，但这些进步并不总是伴随着对定性差异的彻底分析。因此，目前尚不清楚情感分析还存在哪些突出的概念挑战。在这项工作中，我们试图发现哪些挑战仍然证明英语情感分类器的问题，并提供一个具有挑战性的数据集。我们收集了一个（Oracle）最先进的情感分类器集合错误分类的句子子集，然后为它们注释了18种语言学和非语言学现象，如否定，讽刺，模态等。数据集可在https://github.com/ltgoslo/assessing_and_probing_sentiment上获得。最后，我们提供了一个案例研究，证明了有用的数据集探测一个给定的情感分类器的性能相对于语言现象。
2019-06-13 cs.CL
Leveraging Cognitive Features for Sentiment Analysis
Indian Institute of Technology Bombay（印度理工学院孟买分校）；IITB-Monash Research Academy（IITB-莫纳什研究院）；IBM Research（IBM研究院）
在用户生成的短文本和句子中表达的情感在词汇，句法，语义和语用层面上都是微妙的。为了解决这个问题，我们建议增加传统的功能用于情感分析和讽刺检测，与认知功能来自读者的眼球运动模式。使用我们的增强特征集的统计分类在两个数据集上将极性检测的性能（F分数）提高了3.7%和9.3%，超过了仅使用传统特征的系统。我们进行特征显著性分析，并在一个支持的数据集上进行实验，表明认知特征确实使情感分析器能够处理复杂的结构。
2017-01-19 cs.CL
Wazobia Eval: A Benchmark for Nigerian Pidgin Emotion Understanding, Sarcasm Detection, and Cultural Reasoning
该研究推出Wazobia Eval基准测试，含550+样本与16类情感分类，用于评估尼日利亚皮钦语的情感理解、反讽检测与文化推理，填补相关基准缺失，为尼日利亚语言AI提供基础评估设施。
2026-08-25 cs.AI cs.CL
NEU-ESC: A Comprehensive Vietnamese dataset for Educational Sentiment analysis and topic Classification toward multitask learning
College of Technology, National Economics University（经济大学技术学院）
本文提出了面向多任务学习的越南语教育情感与主题分类新数据集NEU-ESC，并使用BERT模型在情感和主题分类任务上分别实现了83.7%和79.8%的准确率。
2025-06-30 cs.AI cs.CL
A Transformer-based approach to Irony and Sarcasm detection
National Technical University of Athens（雅典国家技术大学）；Imperial College London（帝国理工学院）
比喻语言（FL）似乎无处不在，在所有的社交媒体论坛和聊天，提出额外的挑战，情感分析的努力。摘要短语篇中的外语图式识别在自然语言处理领域一直是一个悬而未决的问题，主要是由于它们的语义内容相互矛盾和具有隐喻性。其主要表现形式是讽刺、反语和隐喻。在本文中，我们采用先进的深度学习（DL）方法来解决识别上述FL形式的问题。显着扩展我们以前的工作[71]，我们提出了一种神经网络方法，该方法建立在最近提出的基于预训练变换器的网络架构上，该架构通过使用和设计递归卷积神经网络（RCNN）得到进一步增强。通过这种设置，数据预处理保持在最低限度。在四个基准数据集上测试了所设计的混合神经架构的性能，并与其他相关的最先进的方法和系统进行了对比。结果表明，所提出的方法在所有基准数据集下都达到了最先进的性能，甚至远远优于所有其他方法和已发表的研究。
2020-07-07 cs.CL
Non-Contextual Modeling of Sarcasm using a Neural Network Benchmark
本文提出利用神经网络训练的新型概率模型，用于识别和学习讽刺文本的特征，以建立敏感于讽刺文本细微差别的情感分析框架。
2017-11-20 cs.CL
Evaluating Large Language Models Against Human Annotators in Latent Content Analysis: Sentiment, Political Leaning, Emotional Intensity, and Sarcasm
Institute for Artificial Intelligence Research and Development of Serbia（塞尔维亚人工智能研究与发展研究所）；University of Belgrade（贝尔格莱德大学）；Institute for Philosophy and Social Theory（哲学与社会理论研究所）；Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau (RPTU)（莱茵兰-普法尔茨州 Kaiserslautern-Landau 应用科技大学）；German Research Centre for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Vilnius Gediminas Technical University（维尔纽斯格迪米纳斯技术大学）；Drexel University（德雷塞尔大学）；University of Montenegro（黑山大学）；Faculty of Dramatic Arts（戏剧艺术学院）；University of Kragujevac（克拉古耶瓦茨大学）；Faculty of Engineering（工程学院）
本文通过33名人类标注者与八个 LLM 变体对100条文本的多任务标注，比较情感、政治倾向、情绪强度和讽刺检测的可靠性，发现 GPT-4 等模型在部分任务上可稳定复现人类判断。
2025-01-05 cs.AI cs.CL cs.CY
Can Large Vision-Language Models Understand Multimodal Sarcasm?
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文评估大型视觉语言模型在多模态讽刺检测与解释中的表现，指出视觉理解不足等问题，并提出无需训练的框架，整合对象提取与外部知识，实验验证其有效性。
2025-08-05 cs.CL cs.CV
LogSigma at SemEval-2026 Task 3: Uncertainty-Weighted Multitask Learning for Dimensional Aspect-Based Sentiment Analysis
University of Göttingen（哥廷根大学）；LKA NRW（北莱茵-威斯特法伦州刑事警察局）
本文提出 LogSigma 系统，针对 SemEval-2026 任务 3 的维度方面情感分析，通过学习同方差不确定性平衡回归目标，结合语言特定编码器和多种子集成，在五个数据集上取得第一名。
2026-03-26 cs.AI cs.CL
Multi-View Incongruity Learning for Multimodal Sarcasm Detection
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；State Key Laboratory of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）；School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机学院）；Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机系）
针对多模态讽刺检测现有方法依赖虚假相关性、泛化性差的问题，提出整合多模态不一致性的对比学习方法MICL，构建测试集SPMSD，实验验证其性能与缓解虚假相关性的优势。
2024-12-08 cs.CL
An Evaluation of State-of-the-Art Large Language Models for Sarcasm Detection
New York University（纽约大学）
本文针对讽刺检测任务，使用 BERT 与 CASCADE 分析 Reddit 语料并对比基线模型，以评估最先进模型的有效性。
2023-10-07 cs.AI cs.CL
Multitask Fine-Tuning and Generative Adversarial Learning for Improved Auxiliary Classification
Stanford University（斯坦福大学）
本研究提出Multitask BERT架构通过多任务微调优化情感分类等任务，并构建AC-GAN-BERT框架应用生成对抗学习生成伪嵌入进行辅助分类，验证了对抗学习方法的有效性。
2024-08-11 cs.CL
MuSaG: A Multimodal German Sarcasm Dataset with Full-Modal Annotations
MuSaG是一个包含多模态标注的德语讽刺数据集，通过对比人类标注与多种模型性能，揭示了多模态模型在现实场景中的改进需求。
2026-03-04 cs.AI cs.CL
Interpretable Bangla Sarcasm Detection using BERT and Explainable AI
BRAC University（BRAC大学）
具有潜在负面动机的积极短语或句子通常被定义为讽刺，其广泛用于当今的社交媒体平台，例如Facebook、Twitter、Reddit等。近年来，社交媒体平台中的活跃用户急剧增加，这提高了对基于NLP的自动化系统的需求，该系统可以用于各种任务，例如确定市场需求、情感分析、威胁检测、然而，由于讽刺通常意味着相反的含义，并且其检测通常是一个具有挑战性的问题，通过基于NLP的模型的数据含义提取变得更加复杂。因此，在过去的几年里，有很多关于英语中的讽刺检测的研究，并且有明显的改进，但孟加拉语中的讽刺检测仍然是一样的。在本文中，我们提出了一个基于BERT的系统，可以达到99.60\%，而使用传统的机器学习算法只能达到89.93\%。此外，我们还采用了本地可解释的模型不可知的解释，介绍了我们的系统。此外，我们还利用了一个新收集的孟加拉语讽刺数据集，BanglaSarc是专门为评估本研究而构建的。该数据集由讽刺和非讽刺评论的新记录组成，其中大部分来自Facebook和YouTube评论部分。
2023-03-22 cs.AI cs.CL
Aspect-based Opinion Summarization with Convolutional Neural Networks
Fudan University（复旦大学）
本文考虑了基于AOS的特定产品评论的意见摘要。为了实现真正的应用程序，AOS系统需要解决两个核心子任务，方面提取和情感分类。现有的大多数方面提取方法，使用语言分析或主题建模，是通用的不同的产品，但不够精确或适合于特定的产品。相反，我们采用了一种不太一般但更精确的方案，直接将每个评论句子映射到预定义的方面。为了解决方面映射和情感分类，我们提出了两种基于卷积神经网络（CNN）的方法，级联CNN和多任务CNN。级联CNN包含两级卷积网络。第1级的多个CNN处理方面映射任务，第2级的单个CNN处理情感分类。多任务CNN也包含多方面CNN和情感CNN，但不同的网络共享相同的词嵌入。实验结果表明，级联和多任务CNN都大大优于基于SVM的方法。多任务CNN通常比级联CNN性能更好。
2015-11-30 cs.CL cs.IR cs.LG
YouTube Comments Decoded: Leveraging LLMs for Low Resource Language Classification
IIT Kharagpur（印度理工学院克勒格布尔分校）
本文面向 Tamil-English 与 Malayalam-English 代码混合 YouTube 评论，构建反讽和情感检测金标准语料，并通过提示 GPT-3.5 Turbo 完成反讽分类。
2025-03-13 cs.AI cs.CL
