Humor Detection: A Transformer Gets the Last Laugh
Brigham Young University（杨百翰大学）；Computer Science Department（计算机科学系）
许多以前的工作已经做了试图识别幽默的文本。在本文中，我们提出了一个新的任务：评估一个笑话是否是幽默的扩展能力。我们提出了一种新的方法来解决这个问题，通过建立一个模型，学习识别幽默笑话的基础上从Reddit页面收集的评级，包括近16,000个标记的实例。使用这些评级，以确定幽默的水平，然后我们采用了一个Transformer架构的优势，从句子上下文的学习。我们证明了这种方法的有效性，并显示出与人类表现相当的结果。我们进一步展示了我们的模型在幽默识别问题上的增强能力，例如先前创建的短笑话和双关语数据集。这些实验表明，该方法优于之前在这些任务上所做的所有工作，Puns数据集的F度量为93.1%，Short Jokes数据集为98.6%。
2019-08-31 cs.CL cs.LG
#HashtagWars: Learning a Sense of Humor
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
在这项工作中，我们提出了一个新的数据集计算幽默，特别是比较幽默排名，试图避开无处不在的二进制方法来幽默检测。该数据集由对给定标签的幽默回应的推文组成。我们描述了这个新数据集的动机以及收集过程，其中包括对我们的半自动数据汇集系统的描述。我们还提出了使用无监督和有监督的方法对该数据集进行初始实验。我们最好的监督系统达到了63.7%的准确率，这表明这项任务比类似的幽默检测任务要困难得多。最初的实验表明，字符级模型比令牌级模型更适合此任务，这可能是由于字符级模型可以捕获大量的双关语。
2017-04-15 cs.CL
Reverse-Engineering Satire, or "Paper on Computational Humor Accepted Despite Making Serious Advances"
EPFL（洛桑联邦理工学院）；Microsoft Research（微软研究院）
幽默是人类的基本特征。理解幽默的努力已经唤起了幽默与认知基础之间的联系，以及幽默在社会参与中的重要性。因此，它是一个有前途的和重要的研究课题，与人工智能和人机交互相关。以前关于幽默的计算工作大多在粗糙的粒度水平上操作，例如，预测整个句子、段落、文档等，很幽默作为深入理解幽默的一步，我们寻求细粒度的属性模型，使给定的文本幽默。从观察到讽刺新闻标题倾向于类似于严肃新闻标题的现象出发，我们建立并分析了一个讽刺新闻标题与几乎相同但严肃的标题配对的语料库。该语料库是通过Unfun.me构建的，这是一个在线游戏，激励玩家对讽刺性标题进行最小的编辑，目的是让其他玩家相信结果是严肃的标题。用于成功删除幽默的编辑操作可以精确定位在使原始讽刺标题变得有趣中起关键作用的单词和概念。我们的分析表明，幽默倾向于居住在标题的末尾，主要是在名词短语，大多数讽刺性的标题遵循一定的逻辑模式，我们称之为假类比。总之，本文加深了我们对讽刺新闻标题的句法和语义结构的理解，并为构建幽默生成系统提供了启示。
2019-08-13 cs.AI cs.CL
Is This a Joke? Detecting Humor in Spanish Tweets
Universidad de la República（乌拉圭共和国大学）
虽然幽默在历史上已经从心理学、认知学和语言学的角度进行了研究，但从计算的角度对其进行研究是计算语言学尚未探索的领域。有一些以前的作品，但表征幽默，使其自动识别和生成是远远没有被指定。在这项工作中，我们建立了一个众包语料库的标记鸣叫，根据其幽默值注释，让注释者主观地决定哪些是幽默。基于监督学习的西班牙语推特幽默分类器，达到84%的准确率和69%的召回率。
2017-03-28 cs.AI cs.CL
When a Computer Cracks a Joke: Automated Generation of Humorous Headlines
University of Helsinki（赫尔辛基大学）；Faculty of Arts（文学院）
自动新闻生成在过去已经成为新机构的主要兴趣。通常，这种自动生成的新闻文章的标题是缺乏想象力的，因为它们是用现成的模板生成的。我们提出了一个计算创造性的方法，标题生成，可以生成幽默版本的现有标题。我们评估我们的系统与人类法官和比较的结果，人类创作的幽默标题。由该系统产生的标题被认为是有趣的36%的时间由人类评估员。
2021-09-17 cs.CL
Humor Mechanics: Advancing Humor Generation with Multistep Reasoning
本研究通过重构单句笑话创作流程、开发多步推理幽默生成原型，经人工评估对比发现该方法能持续提升幽默生成质量，还共享了相关数据集与结果，为AI幽默生成优化提供参考。
2024-05-12 cs.AI cs.CL cs.CY
"President Vows to Cut <Taxes> Hair": Dataset and Analysis of Creative Text Editing for Humorous Headlines
University of Rochester（罗切斯特大学）；Microsoft Research（微软研究院）；Microsoft Corporation（微软公司）
我们介绍，发布和分析一个新的数据集，称为Humicroedit，用于计算幽默的研究。我们公开的数据包括常规的英语新闻标题，以及相同标题的版本，这些版本包含简单的替换编辑，旨在使它们变得有趣。我们精心策划了众包编辑来创建有趣的标题，并由评委对15，095个编辑标题进行评分，每个标题有五名评委。简单的编辑，通常只是一个单词的替换，意味着我们可以应用简单的分析技术来确定是什么让我们编辑的标题幽默。我们展示了数据如何支持幽默的经典理论，如不协调，优越性和设置/笑点。最后，我们开发了基线分类器，可以预测编辑的标题是否有趣，这是自动生成幽默标题作为创建主题幽默的方法的第一步。
2019-06-01 cs.CL
ExPUNations: Augmenting Puns with Keywords and Explanations
University of Southern California（南加州大学）；Amazon Alexa AI（亚马逊Alexa人工智能部门）；University of California, Los Angeles（加州大学洛杉矶分校）
幽默理解和生成的任务是具有挑战性和主观性的，即使对人类来说，也需要常识和现实世界的知识来掌握。特别是双关语，增加了将这种知识与解释词汇语义歧义的能力相融合的挑战。在本文中，我们提出了ExPUNations（ExPUN）数据集，在该数据集中，我们增加了现有的双关语数据集，其中包含详细的众包关键字注释，这些注释表示使文本有趣的最具特色的单词，双关语解释描述了文本为什么有趣，以及细粒度的有趣评级。这是第一个幽默数据集，专门针对双关语进行了如此广泛和细粒度的注释。在此基础上，我们提出了两个任务：辅助双关分类的解释生成和基于关键词的双关生成，以挑战当前最先进的自然语言理解和生成模型理解和生成幽默的能力。我们展示了我们收集的注释关键字有助于在人类评价中生成更好的新颖幽默文本，并且我们的自然语言解释可以用来提高幽默分类器的准确性和鲁棒性。
2022-10-24 cs.CL
Psycho-linguistic Experiment on Universal Semantic Components of Verbal Humor: System Description and Annotation
Tyumen State University（秋明国立大学）
针对言语幽默通用语义成分的客观区分标准存在争议的问题，本文介绍了一款逐词阅读式幽默标注系统，可记录读者的阅读与标注操作，并提及了基于该系统开展的心理语言学实验及收集的数据。
2024-07-10 cs.CL
Finetuning for Sarcasm Detection with a Pruned Dataset
Carnegie Mellon University（卡内基梅隆大学）
讽刺是一种讽刺的形式，涉及说或写一些与自己真正意思相反或相反的东西，通常以幽默或嘲笑的方式。它经常被用来嘲笑或嘲笑某人或某事，或幽默或有趣。讽刺通常通过语调、面部表情或其他形式的非语言交流来传达，但也可以通过使用某些通常与讽刺或幽默有关的单词或短语来表示。讽刺检测是困难的，因为它依赖于上下文和非语言线索。它也可以是文化上的具体的、主观的和模糊的。在这项工作中，我们对Abaskohi等人提出的基于RoBERTa的讽刺检测模型进行了微调。[2022]在iSarcasm数据集（Oprea和Magdy [2019]）上达到最先进的（Hercog等人[2022]）的0.02 F1范围内。这种性能是通过使用自注释Reddit语料库（SARC）的精简版本增强iSarcasm来实现的（Khodak等人。[2017]）。我们的精简版本比用于训练最先进模型的SARC子集小100倍。
2022-12-23 cs.AI cs.CL
Federated Learning for Personalized Humor Recognition
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）；Soochow University（苏州大学）；Tsinghua University（清华大学）
幽默的计算理解是创造性语言理解和建模的重要课题。它可以在复杂的人机交互中发挥关键作用。这里的挑战是，人类对幽默内容的感知是高度主观的。同一个笑话可能会从不同的读者那里得到不同的有趣程度。这使得幽默识别模型在实际场景中实现个性化具有高度挑战性。现有的方法通常是基于这样的假设，即用户对给定的文本是否幽默有共识。因此，他们不能很好地处理不同的幽默偏好。在本文中，我们提出了FedHumor的方法，通过联邦学习（FL）的个性化方式识别幽默内容。FedHumor扩展了预先训练的语言模型，通过考虑个人幽默偏好的不同分布来指导微调过程。该方法将差异适应策略引入外语学习范式，训练出个性化的幽默识别模型。据我们所知，FedHumor是第一个通过联邦学习实现的基于文本的个性化幽默识别模型。大量的实验证明了FedHumor在识别幽默文本的优势相比，9个国家的最先进的幽默识别方法具有优越的能力，用于处理不同偏好的用户产生的幽默标签的多样性。
2022-04-06 cs.CL
When to Laugh and How Hard? A Multimodal Approach to Detecting Humor and its Intensity
University of Helsinki（赫尔辛基大学）；Rootroo Oy（Rootroo公司）；Aalto University（阿尔托大学）
在喜剧电视节目中，预先录制的笑声伴随着对话，通过清楚地标记节目中的幽默时刻来鼓励观众发笑。我们提出了一种使用多模态数据自动检测《老友记》电视节目中幽默的方法。我们的模型能够识别话语是否幽默并评估其强度。我们使用节目中预先录制的笑声作为注释，因为它标志着幽默，观众笑声的长度告诉我们给定的笑话有多有趣。我们在模型在训练阶段没有接触过的事件上评估模型。我们的研究结果表明，该模型是能够正确地检测话语是否是幽默的78%的时间和多长时间的观众的笑声反应应该持续600毫秒的平均绝对误差。
2022-11-03 cs.CL
Culture-Aware Humorous Captioning: Multimodal Humor Generation across Cultural Contexts
Nanyang Technological University（南洋理工大学）；Tongji University（同济大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出一种多模态幽默生成任务，通过文化意识标题生成模型在不同文化背景下生成幽默标题，改进了文化背景下的图像相关性、语境适配性和幽默质量。
2026-04-20 cs.CL cs.CV
Humor Detection in English-Hindi Code-Mixed Social Media Content : Corpus and Baseline System
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
在过去的十年里，大量的用户通过社交网站生成的数据导致了计算语言学领域中自动文本分类的日益普及。在这一领域中，文本幽默自动检测是一个备受关注的问题。需要对文本进行深入的语义理解来检测幽默，这使得问题难以自动化。随着社交媒体用户数量的增加，许多使用多种语言的人在社交媒体上发帖时经常在不同语言之间进行交流，这被称为代码混合。它介绍了社交媒体内容的语言分析领域的一些挑战（Barman等人，2014年），如拼写变化和句子中的非语法结构。过去的研究包括检测文本中的双关语（Kao等人，2016）和幽默的一行（Mihalcea等人，2010），但是随着大量的代码混合数据在网上可用，需要开发检测代码混合推文中的幽默的技术。在本文中，我们分析了文本中的幽默检测任务，并描述了一个免费提供的语料库，其中包含英语印地语代码混合的鸣叫与幽默（H）或非幽默（N）的标签注释。我们还用语言标签（英语/印地语/其他）标记了推文中的单词。此外，我们描述了语料库上进行的实验，并提供了一个基线分类系统，区分幽默和非幽默文本。
2018-06-14 cs.CL
Cards Against AI: Predicting Humor in a Fill-in-the-blank Party Game
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文基于30万场Cards Against Humanity游戏数据构建数据集，训练模型预测获胜笑话，准确率达随机两倍，并发现简短粗俗的笑点卡片是幽默获胜的关键。
2022-10-24 cs.AI cs.CL cs.CY
MagicPai at SemEval-2021 Task 7: Method for Detecting and Rating Humor Based on Multi-Task Adversarial Training
Ping An Life Insurance, Ltd.（平安人寿保险股份有限公司）
本文描述了MagicPai的SemEval 2021任务7的系统，HaHackcraft：检测和评级幽默和冒犯。该任务旨在检测文本是否幽默以及幽默程度。比赛有四个子任务。在本文中，我们主要提出了我们的解决方案，一个基于对抗性示例的多任务学习模型，用于任务1a和1b。更具体地说，我们首先对清理后的数据集进行矢量化，并添加扰动以获得更鲁棒的嵌入表示。然后，我们通过置信水平校正损失。最后，我们对多个任务进行交互式联合学习，以捕捉文本是否幽默和幽默程度之间的关系。最后的结果表明了该系统的有效性。
2021-06-07 cs.AI cs.CL
From Punchlines to Predictions: A Metric to Assess LLM Performance in Identifying Humor in Stand-Up Comedy
International Christian University（国际基督教大学）；University of Tsukuba（茨口大学）
本研究提出了一种评估大语言模型识别单口喜剧幽默能力的指标，发现即使领先模型在幽默检测上的表现也仅达到51%，低于人类的41%。
2025-04-12 cs.CL
Cracking the Code of Juxtaposition: Can AI Models Understand the Humorous Contradictions
Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系）；Department of Computer and Data Sciences, Case Western Reserve University（凯斯西储大学计算机与数据科学系）
本文探讨了AI在理解基于矛盾叙事的幽默中的挑战，通过引入YesBut基准测试，评估大型语言模型在识别和解释漫画中的表现，发现即使是最先进的模型仍无法匹敌人类水平。
2026-04-15 cs.CL cs.CV
Memes-as-Replies: Can Models Select Humorous Manga Panel Responses?
Ryosuke Kohita；Seiichiro Yoshioka
本文提出MaMe-Re基准，探讨模型在动态语境中选择幽默漫画回复的挑战，揭示LLMs在捕捉社交线索和区分微妙幽默方面的局限性。
2026-01-21 cs.CL cs.LG
AmbiPun: Generating Humorous Puns with Ambiguous Context
Indian Institute of Technology Bombay（印度理工学院孟买分校）；University of California, Los Angeles（加州大学洛杉矶分校）
在本文中，我们提出了一种简单而有效的方法来生成双关语句子，不需要对现有的双关语进行任何训练。我们的研究方法受到幽默理论的启发，幽默理论认为歧义来自上下文，而不是双关语本身。给定一个双关词的一对定义，我们的模型首先通过一个反向字典产生一个相关概念的列表。然后，我们利用一次性GPT3生成上下文单词，然后生成双关语，将上下文单词从两个概念。人工评估表明，我们的方法成功地生成双关语的时间为52%，表现优于精心制作的基线和国家的最先进的模型的大幅度。
2022-05-04 cs.AI cs.CL cs.LG
Getting Serious about Humor: Crafting Humor Datasets with Unfunny Large Language Models
Columbia University（哥伦比亚大学）；EPFL（洛桑联邦理工学院）
针对幽默检测任务缺乏配对幽默-非幽默数据集的问题，本研究探索用大语言模型编辑文本生成合成数据，验证其消解笑话幽默感的能力，并拓展至英印混合语数据集，生成高评价的合成数据与对抗样本。
2024-06-21 cs.AI cs.CL cs.LG
Meme-ingful Analysis: Enhanced Understanding of Cyberbullying in Memes Through Multimodal Explanations
Indian Institute of Technology Patna（印度理工学院巴特那分校）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出 MultiBully-Ex 代码混合网络欺凌模因多模态解释基准，并采用基于 CLIP 投影的共享-私有多任务方法，提升文本理由生成与视觉证据识别性能。
2024-01-18 cs.CL
Context and Humor: Understanding Amul advertisements of India
语境知识是理解语言最重要的因素。语境知识指的是一般知识和话语知识，即情境语境、背景知识和互文语境的知识[10]。在本文中，我们将讨论语境知识在理解印度Amul卡通广告中的幽默的重要性。在此过程中，我们将分析这些广告，并看看幽默是否是广告的有效工具，从而，对于营销。这些双语广告也期望观众有适当的语言知识，包括英语和印地语词汇的知识，词法和句法。采用双关语、组合词和对流行谚语、表达方式、缩写词、著名对话、歌曲等的模仿等不同技巧，以幽默的方式传达信息。本研究将集中在这些语言线索和理解机智和幽默所需的上下文。
2018-04-15 cs.CL
A Multi-Modal Method for Satire Detection using Textual and Visual Cues
Jericho Senior High School（杰里科高中）；AdVerifai（AdVerifai公司）；The George Washington University（乔治华盛顿大学）
讽刺作品是一种幽默的批评形式，但它有时会被读者误解为合法的新闻，这可能导致有害的后果。我们观察到，讽刺新闻中使用的图像往往包含荒谬或荒谬的内容，图像操纵被用来创造虚构的场景。虽然之前的工作已经研究了基于文本的方法，但在这项工作中，我们提出了一种基于最先进的视觉语言模型ViLBERT的多模态方法。为此，我们创建了一个新的数据集，包括图像和标题的常规和讽刺新闻的讽刺检测任务。我们对数据集上的ViLBERT进行微调，并训练使用图像取证技术的卷积神经网络。对数据集的评估表明，我们提出的多模态方法优于仅图像，仅文本和简单的融合基线。
2020-10-13 cs.AI cs.CL cs.CV
Exploring Chinese Humor Generation: A Study on Two-Part Allegorical Sayings
IIIS, Tsinghua University（清华大学IIIS）
本研究探索中文歇后语生成，通过微调中等模型和提示大型模型，结合拼音嵌入与对比学习，发现提示方法有效，但生成质量仍有提升空间。
2024-03-16 cs.AI cs.CL
Grounded Satirical Generation with RAG
University of Helsinki（赫尔辛基大学）
本文提出基于RAG的 grounded 愚笑生成方法，通过当前新闻检索生成芬兰语讽刺词典定义，并引入任务特定评估框架，分析文化背景、源词类型及RAG存在与否对输出的影响。
2026-05-11 cs.CL
Pun Unintended: LLMs and the Illusion of Humor Understanding
Dept of Environmental Sciences, Informatics and Statistics, Ca’ Foscari University of Venice（环境科学、信息与统计系，威尼斯卡弗西大学）；School of Computer Science and Informatics, Cardiff University（计算机科学与信息学院，卡迪夫大学）
本文通过重构双关语基准并开展人工评估，揭示大语言模型对双关语的理解仍较浅层，细微变化即可误导模型，并分析了其鲁棒性挑战。
2025-09-20 cs.AI cs.CL
HUMORCHAIN: Theory-Guided Multi-Stage Reasoning for Interpretable Multimodal Humor Generation
Peking University（北京大学）；Ocean University of China（海洋大学）
本文提出HUMORCHAIN框架，通过整合视觉语义解析、基于幽默和心理学的推理及细调判别器，实现可解释的多模态幽默生成，实验表明其在人类幽默偏好、Elo/BT评分和语义多样性上优于现有方法。
2026-03-24 cs.AI cs.CL
Let's Think Outside the Box: Exploring Leap-of-Thought in Large Language Models with Creative Humor Generation
Sea AI Lab（Sea AI实验室）；Sun Yat-sen University（中山大学）；Harvard University（哈佛大学）
本文探索大型语言模型的跳跃思维（LoT）能力，构建多模态大喜利数据集并提出创造性跳跃思维（CLoT）范式，通过指令微调与探索性自我精炼显著提升了模型在幽默生成及多种任务中的创造力。
2024-04-21 cs.AI cs.CL cs.CV
