When did you become so smart, oh wise one?! Sarcasm Explanation in Multi-modal Multi-party Dialogues
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）
在人类交际中，诸如讽刺等间接言语实现了一系列的话语目标。虽然比喻语言的间接性保证了说话者实现某些语用目标，但人工智能智能体理解人类交流的这种特质是具有挑战性的。虽然讽刺识别一直是对话分析中的一个很好的探索主题，会话系统要真正把握会话的内在含义并产生适当的反应，简单地检测讽刺是不够的;解释其潜在的讽刺内涵以捕捉其真正的本质是至关重要的。在这项工作中，我们研究了讽刺会话的话语结构，并提出了一个新的任务--对话中的讽刺解释（SED）。该任务设置在多模态和代码混合的环境中，旨在生成讽刺对话的自然语言解释。为此，我们策划了WITS，一个新的数据集来支持我们的任务。我们提出MAF（模态感知融合），多模态上下文感知的注意力和全球信息融合模块来捕获多模态，并使用它来基准测试WITS。所提出的注意力模块超越了传统的多模态融合基线，并报告了几乎所有指标的最佳性能。最后，我们进行了详细的定量和定性分析。
2022-03-12 cs.AI cs.CL
Multi-Modal Sarcasm Detection Based on Contrastive Attention Mechanism
China Agricultural University（中国农业大学）
在过去的十年中，讽刺检测已经在文本场景中进行了大量的研究。随着视频通信的普及，多模态场景下的分析近年来备受关注。因此，针对视频会话中讽刺话语的多模态讽刺检测成为自然语言处理和多模态分析领域的研究热点。在本文中，考虑到讽刺往往是通过模态之间的不协调来传达的（例如，文本表达赞美，而声学音调表示抱怨），我们构建了一个基于对比注意的讽刺检测（ConAttSD）模型，该模型使用模态间对比注意力机制来提取话语的几个对比特征。对比特征表示两种模态之间的信息不一致。我们的实验上MUSTARD，一个基准的多模态讽刺数据集，证明了所提出的ConAttSD模型的有效性。
2021-09-30 cs.CL
CASCADE: Contextual Sarcasm Detection in Online Discussion Forums
National University of Singapore（新加坡国立大学）；A*STAR（新加坡科技研究局）；Indian Institute of Science, Bangalore（班加罗尔印度科学学院）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
自动反语检测的文献主要集中在文本的词汇、句法和语义层面的分析。然而，一个讽刺的句子可以表达与上下文的假设，背景和常识知识。在本文中，我们提出了CASCADE（一个ContextuAl SarCasm检测器），采用了混合的方法，内容和上下文驱动的建模讽刺检测在线社交媒体讨论。对于后者，CASCADE旨在从讨论线程的话语中提取上下文信息。此外，由于讽刺的性质和表达形式可以因人而异，CASCADE利用对用户的文体特征和个性特征进行编码的用户嵌入。当与基于内容的特征提取器（如卷积神经网络（CNN））一起使用时，我们看到大型Reddit语料库的分类性能显着提高。
2018-05-16 cs.CL
Generalizable Sarcasm Detection Is Just Around The Corner, Of Course!
University of Konstanz（康斯坦茨大学）；LMU Munich（慕尼黑大学）；Center for Information and Language Processing（信息与语言处理中心）
本文在四个特征各异的讽刺数据集上评估检测模型的数据集内与跨数据集性能，发现单一数据集难以覆盖多样讽刺，而新发布数据集可带来最佳泛化。
2024-04-10 cs.CL
Leveraging Large Language Models to Identify Conversation Threads in Collaborative Learning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MIT Media Lab（麻省理工学院媒体实验室）；Instituto Politécnico de Bragança（布拉甘扎理工大学）；MIT STEP（麻省理工学院教育技术计划）
本研究探讨利用大型语言模型自动识别协作学习中的对话线程，证明显式线程信息能提升关系动作编码性能，并提出人机混合策略以优化成本效益。
2025-10-26 cs.CL
TANet: Thread-Aware Pretraining for Abstractive Conversational Summarization
Beihang University（北京航空航天大学）；Meituan（美团）
虽然预训练的语言模型（PLM）已经取得了巨大的成功，并成为自然语言处理的一个里程碑，抽象的会话摘要仍然是一个具有挑战性的，但研究较少的任务。困难在于两个方面。一是缺乏大规模的会话摘要数据。另一个问题是，将现有的预训练模型应用于这项任务是很棘手的，因为对话中的结构依赖及其非正式表达等，在这项工作中，我们首先基于Reddit社区中的多人讨论构建了一个名为RCS的大规模（11M）预训练数据集。然后，我们提出了TANet，一个线程感知的基于transformer的网络。与现有的将对话视为句子序列的预训练模型不同，我们认为话语之间固有的上下文依赖性在理解整个对话中起着至关重要的作用，因此提出了两种新技术来将结构信息纳入我们的模型。第一种是线索感知注意力，它是通过考虑话语内的上下文依赖性来计算的。其次，我们应用线索预测损失来预测话语之间的关系。我们在四个真实对话的数据集上评估了我们的模型，这些数据集涵盖了会议记录、客户服务记录和论坛线程的类型。实验结果表明，TANET实现了一个新的国家的最先进的自动评估和人类的判断。
2022-04-09 cs.CL
A Large Self-Annotated Corpus for Sarcasm
Princeton University（普林斯顿大学）
我们介绍了自注释Reddit语料库（SARC），一个大型语料库的讽刺研究和训练和评估系统的讽刺检测。该语料库有130万个讽刺语句-比以前任何数据集都多10倍-以及许多倍的非讽刺语句实例，允许在平衡和不平衡的标签制度中学习。此外，每个语句都是自我注释的-讽刺是由作者标记的，而不是独立的注释者-并提供用户，主题和对话上下文。我们评估语料库的准确性，构建讽刺检测的基准，并评估基线方法。
2018-03-22 cs.AI cs.CL cs.LG
How Effective is Incongruity? Implications for Code-mix Sarcasm Detection
IIT Indore（印度理工学院印多尔分校）
会话系统和社交媒体（如聊天机器人、Facebook、Twitter等）中讽刺的存在给下游NLP任务带来了一些挑战。这是由于讽刺语篇的本意与所表达的意思相反。此外，使用语码混合语言来表达讽刺的现象也日益增多。由于使用不同的词典、语法和标记语料库的稀缺性，目前用于代码混合数据的NLP技术的成功有限。为了解决代码混合和讽刺检测的联合问题，我们提出了通过fastText学习的子词级嵌入来捕获不一致的想法。实证结果表明，我们提出的模型在代码混合的印度式英语数据集上达到了与预训练的多语言模型相当的F1分数，同时训练速度提高了10倍，并且使用了更低的内存占用
2022-02-06 cs.CL cs.LG
Dramatic Conversation Disentanglement
University of California, Berkeley（加州大学伯克利分校）
本文构建了基于电影和电视剧的对话解缠数据集，借鉴社会语言学理论定义会话线程并标注了831部电影的万余对话轮次，通过模型对比与大规模应用揭示了戏剧对话中线程长度和性别与话题发起的关系。
2023-05-26 cs.CL
Reactive Supervision: A New Method for Collecting Sarcasm Data
Taiwan International Graduate Program（台湾国际研究生项目）；Academia Sinica（中央研究院）；National Tsing Hua University（台湾清华大学）
提出反应式监督方法，利用在线对话动态特性克服现有数据收集局限，构建首个带讽刺视角标签的大规模推文数据集，推动讽刺检测及情感计算研究。
2020-09-28 cs.CL cs.SI
MUStReason: A Benchmark for Diagnosing Pragmatic Reasoning in Video-LMs for Multimodal Sarcasm Detection
Max Planck Institute for Informatics, Saarland Informatics Campus（马克斯·普朗克研究所信息学研究所，萨尔兰州信息学校园）；Saarland University（萨尔兰州大学）；The University of Edinburgh（爱丁堡大学）；Samsung AI Center, Cambridge（三星人工智能中心，剑桥）
针对多模态讽刺检测中视频语言模型语用推理能力不足的问题，提出带模态线索和推理步骤标注的诊断基准MUStReason及PragCoT框架，引导模型关注意图以提升检测效果。
2025-10-27 cs.CL cs.LG
Coherence Modeling of Asynchronous Conversations: A Neural Entity Grid Approach
Nanyang Technological University（南洋理工大学）；University of Amsterdam（阿姆斯特丹大学）
我们提出了一个新的连贯性模型的书面异步对话（例如，论坛，电子邮件），并显示其在一致性评估和线程重建任务中的应用。我们的研究分两步进行。首先，我们提出了改进最近提出的神经实体网格模型，通过词汇化其实体转换。然后，我们将底层会话结构的实体网格表示和特征计算模型扩展到异步会话。我们的模型在独白和对话中的标准连贯性评估任务上取得了最先进的结果，优于现有的模型。我们也证明了它的有效性重建线程结构。
2018-05-06 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
Find the Conversation Killers: a Predictive Study of Thread-ending Posts
Zhejiang University（浙江大学）；University of Michigan（密歇根大学）
如何提高在线社区中的对话质量，最近引起了相当大的关注。参与，礼貌和反应性的在线对话对互联网用户的社交生活有着至关重要的影响。在这项研究中，我们特别感兴趣的是在多方对话中识别一个不太可能被进一步回复的帖子，从而杀死对话的线程。为此，我们提出了一个称为ConverNet的深度学习模型。ConverNet是有吸引力的，因为它的建模能力的内部结构的一个长的对话和适当的编码的上下文信息的对话，通过有效地集成注意力机制。在真实数据集上的实验结果表明了该模型的有效性。对于这个广受关注的话题，我们的分析也为提高在线对话的质量和用户体验提供了启示。
2017-12-22 cs.CL cs.SI
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
Sarcasm Detection on Reddit Using Classical Machine Learning and Feature Engineering
Department of Mathematics（数学系）；Technische Universität Chemnitz（技术大学切姆尼茨）
本文通过经典机器学习和特征工程方法，在Reddit上实现了讽刺检测，取得了约0.57的F1分数。
2025-12-04 cs.CL cs.LG
Explaining (Sarcastic) Utterances to Enhance Affect Understanding in Multimodal Dialogues
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；University of Maryland, College Park（马里兰大学帕克分校）；Indian Institute of Technology Delhi（印度理工学院德里分校）
对话成为交流思想和概念的主要媒介。从听者的角度来看，识别各种情感特质，如讽刺，幽默和情感，对于理解所发出的话语的真正含义至关重要。然而，学习这些情感维度的主要障碍之一是比喻语言的存在，即讽刺，隐喻或讽刺。我们假设，任何检测系统构成的详尽和明确的介绍所发出的话语将提高整体的理解对话。为此，我们探讨了对话中的反讽解释任务，旨在揭示反讽话语背后隐藏的反讽。我们提出了MOSES，一个深度神经网络，它以多模态（讽刺）对话实例作为输入，并生成一个自然语言句子作为解释。随后，我们利用生成的解释，在会话对话设置中的各种自然语言理解任务，如讽刺检测，幽默识别和情感识别。我们的评估表明，MOSES在不同的评估指标（如ROUGE、BLEU和METEOR）上的平均性能优于最先进的SED系统约2%。此外，我们观察到，利用生成的解释推进了三个下游任务的影响分类-平均提高约14%F1分数的讽刺检测任务和约2%的幽默识别和情感识别任务。我们还进行了广泛的分析，以评估结果的质量。
2022-11-22 cs.AI cs.CL
Interpretable Multi-Head Self-Attention model for Sarcasm Detection in social media
University of Central Florida（中佛罗里达大学）
讽刺（Sarcasm）是一种语言表达方式，通常用来表达与所说的相反的意思，通常是非常不愉快的事情，意图是侮辱或嘲笑。讽刺表达中固有的歧义性，使得讽刺检测非常困难。在这项工作中，我们专注于从各种社交网络平台和在线媒体的文本对话中检测讽刺。为此，我们开发了一个可解释的深度学习模型，使用多头自注意和门控递归单元。多头自我注意模块帮助识别关键的讽刺线索词从输入，和循环单元学习这些线索词之间的长期依赖关系，以更好地分类输入文本。我们通过在来自社交网络平台和在线媒体的多个数据集上实现最先进的结果来展示我们方法的有效性。使用我们提出的方法训练的模型很容易解释，并能够识别输入文本中的讽刺线索，这有助于最终的分类得分。我们将学习到的注意力权重在几个样本输入文本上可视化，以展示我们模型的有效性和可解释性。
2021-01-14 cs.AI cs.CL cs.SI
Improved Target-specific Stance Detection on Social Media Platforms by Delving into Conversation Threads
Hong Kong Baptist University（香港浸会大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The University of Hong Kong（香港大学）
社交媒体上特定于目标的立场检测旨在将帖子或评论等文本数据实例分类到目标问题的立场类别中，已成为一种新兴的重要观点挖掘范式。一个应用实例是克服疫苗在抗击冠状病毒大流行方面的犹豫。然而，现有的姿态检测策略仅依赖于单个实例，不能总是捕获给定目标的表达姿态。作为回应，我们提出了一个新的任务，称为会话姿态检测，这是推断对给定目标的姿态（例如，当给定数据实例及其对应的会话线程时。为了解决这个问题，我们首先提出了一个基准会话立场检测（CSD）数据集的立场和会话线程的结构的注释之间的实例基于六个主要的社交媒体平台在香港。为了从数据实例和会话线程中推断出所需的立场，我们提出了一个名为Branch-BERT的模型，该模型将上下文信息纳入会话线程中。在CSD数据集上的大量实验表明，我们提出的模型优于所有不使用上下文信息的基线模型。具体而言，与SemEval-2016任务6竞赛中的最先进方法相比，它将F1分数提高了10.3%。这表明了在社交媒体平台上检测目标特定立场时结合丰富的上下文信息的潜力，并暗示了构建未来立场检测任务的更实用的方法。
2022-11-06 cs.CL cs.SI
Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents
本文针对长时程高熵对话中基于LLM的记忆构建易损且成本高的问题，提出Threader系统，通过保留原始交互并采用结构感知的多信号检索，显著提升答案准确性与证据召回率，同时降低构建开销。
2026-09-29 cs.CL
Findings on Conversation Disentanglement
School of Computing and Information System（计算与信息系统学院）；The University of Melbourne（墨尔本大学）
会话解纠缠（Conversation disentanglement）是识别会话中的独立线程的任务，是会话问答和会话摘要等多方会话NLP应用中的重要预处理步骤。将其框架为话语到话语分类问题-即给定感兴趣的话语（UOI），找到它回复的过去话语-我们探索了许多基于变换的模型，并发现BERT与手工制作的特征相结合仍然是一个强大的基线。然后，我们建立了一个多任务学习模型，共同学习话语到话语和话语到线程分类。当我们的模型出错时，观察到地面真实标签（过去的话语）是最佳候选者，我们尝试使用二分图作为后处理步骤，以学习如何将一组UOI与过去的话语进行最佳匹配。在Ubuntu IRC数据集上的实验表明，该方法有可能优于传统的贪婪方法，即简单地为每个UOI独立选择最高概率的候选人，这表明了一个有前途的未来研究方向。
2021-12-10 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
Conversational Structure Aware and Context Sensitive Topic Model for Online Discussions
Case Western Reserve University（凯斯西储大学）
每天在社交媒体平台上产生数百万次在线讨论。主题建模是更好地理解大规模文本数据集的有效方法。传统的主题模型在在线讨论中取得了有限的成功，为了克服它们的局限性，我们使用讨论线程的树结构，并提出了一个“流行度”的度量来量化评论的回复数量，以扩展单词出现的频率，和“传递性”的概念来表征嵌套的讨论线程中节点之间的主题依赖性。我们建立了一个会话结构感知的主题模型（CSATM）的基础上流行度和传递性推断的主题和他们的评论分配。真实论坛数据集上的实验被用来证明提高性能的主题提取与六个不同的测量的一致性和令人印象深刻的准确性主题分配。
2020-02-06 cs.CL
TCDA: Thread-Constrained Discourse-Aware Modeling for Conversational Sentiment Quadruple Analysis
School of Software, Dalian University of Technology（大连理工大学软件学院）；School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机科学学院）
本文提出TCDA框架，结合线程约束有向无环图和话语感知旋转位置嵌入，解决对话情感四元分析中复杂关系捕捉问题，实验表明其性能优于现有方法。
2026-05-08 cs.AI cs.CL
Conversation Modeling on Reddit using a Graph-Structured LSTM
University of Washington（华盛顿大学）
本文提出了一种新的方法，使用图结构的双向LSTM来对社交媒体上的线程讨论进行建模，该双向LSTM表示分层和时间会话结构。在Reddit讨论中预测评论流行度的实验中，该模型在不同输入特征集上的表现优于节点独立架构。分析表明，在整个讨论过程中，该模型都是有益的，可以改善早期和晚期的检测。此外，使用双向树状态更新的语言提示有助于识别有争议的评论。
2017-04-07 cs.CL
DialogueRNN: An Attentive RNN for Emotion Detection in Conversations
National University of Singapore（新加坡国立大学）；University of Michigan（密歇根大学）；Instituto Politécnico Nacional（国立理工学院）；Nanyang Technological University（南洋理工大学）
会话中的情感检测是许多应用程序的必要步骤，包括通过聊天历史进行意见挖掘，社交媒体线程，辩论，论证挖掘，了解实时对话中的消费者反馈等。在本文中，我们描述了一种基于递归神经网络的新方法，该方法可以跟踪整个对话中的各个当事人状态，并使用这些信息进行情感分类。我们的模型在两个不同的数据集上的表现明显优于现有技术。
2019-05-25 cs.CL
VyAnG-Net: A Novel Multi-Modal Sarcasm Recognition Model by Uncovering Visual, Acoustic and Glossary Features
Delhi Technological University（德里理工大学）
提出VyAnG-Net多模态讽刺识别模型，融合视觉、声学和词汇特征，在MUSTaRD数据集上分别取得79.86%和76.94%的准确率，优于现有方法。
2024-08-05 cs.AI cs.CL cs.CV
Thread Detection and Response Generation using Transformers with Prompt Optimisation
Vellore Institute of Technology, Chennai（韦洛尔理工学院（金奈））；Samsung R&D Institute India, Bangalore（三星研发院印度班加罗尔分院）
针对多方对话中线程识别与回复排序的管理难题，提出基于Llama2 7b的端到端对话系统，经微调与提示优化后速度最高提升10倍，生成结果更连贯，且可适配任意开源LLM。
2024-03-09 cs.CL cs.LG
Exploring Graph-aware Multi-View Fusion for Rumor Detection on Social Media
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）
自动检测社交媒体上的谣言已成为一项具有挑战性的任务。以往的研究主要集中在从会话线索中学习指示性线索来识别谣言信息。然而，这些方法只能从不同的角度对谣言会话线程进行建模，而不能很好地融合多视图特征。在本文中，我们提出了一种新的多视图融合框架谣言表示学习和分类。它基于图卷积网络（GCN）对多个视图进行编码，并利用卷积神经网络（CNN）捕获所有视图之间的一致性和互补性信息并将它们融合在一起。在两个公共数据集上的实验结果表明，我们的方法优于最先进的方法。
2022-11-08 cs.CL
Stance Classification in Rumours as a Sequential Task Exploiting the Tree Structure of Social Media Conversations
University of Warwick（华威大学）；University of Sheffield（谢菲尔德大学）
谣言立场分类，即确定讨论谣言的集合中的每条推文是支持，否认，质疑还是简单地评论谣言的任务，一直吸引着大量的兴趣。在这里，我们介绍了一种新的方法，利用在Twitter的树结构的会话线程中观察到的转换序列。会话线程是通过收集用户对彼此的回复而形成的，这导致了嵌套的树状结构。以前的工作解决的立场分类任务处理每个鸣叫作为一个单独的单元。在这里，我们分析推文凭借其在序列中的位置，并测试两个顺序分类，线性链CRF和树CRF，其中每一个使不同的假设的会话结构。我们用8个Twitter数据集进行了实验，这些数据集是在突发新闻期间收集的，结果表明，利用Twitter对话的顺序结构比非顺序方法有了显着的改进。我们的工作是第一个以这种方式将Twitter对话建模为树结构，引入了一种新的方式来处理Twitter对话上的NLP任务。
2016-10-11 cs.CL cs.SI
"With 1 follower I must be AWESOME :P". Exploring the role of irony markers in irony recognition
Rutgers University（罗格斯大学）；Columbia University（哥伦比亚大学）
社交媒体中的对话通常包含讽刺或讽刺的使用，当用户说与他们真正意思相反的话时。反语标记语是一种元交际线索，它告诉读者话语是反语。本文对$Twitter$和$Reddit$这两个社交媒体平台上的反语标记进行了深入的分析。分类和频率分析表明，对于$Twitter$，诸如表情符号和表情符号的排版标记是识别讽刺话语的最具区分性的标记，而对于$Reddit$，形态标记（例如，感叹词，附加疑问句）是最具歧视性的。
2018-04-14 cs.CL
Fine-Tune Longformer for Jointly Predicting Rumor Stance and Veracity
[24]7.ai
社交媒体的使用增加导致了甚至未经证实的新闻和事件的流行，导致谣言在网络上传播。由于社交媒体平台的广泛使用和使用量的增加导致了数据的大量可用。处理如此大的数据的手动方法成本高且耗时，因此自动处理和验证这些内容以发现谣言的存在已经引起了越来越多的关注。大量的研究表明，对此类事件和新闻的讨论帖中帖子的立场进行识别，是判断谣言真实性的重要前置步骤。在本文中，我们提出了一个多任务学习框架，用于联合预测SemEval 2019 RumorEval发布的数据集的谣言立场和真实性：确定谣言的真实性和对谣言的支持（SemEval 2019任务7），其中包括来自Reddit和Twit-ter的各种突发新闻故事的社交媒体谣言。我们的框架由两部分组成：a）我们框架的底部部分通过对多轮对话进行建模，对讨论谣言的对话线程中的每个帖子的立场进行分类，并使每个帖子都知道它的相邻帖子。b）上半部分预测具有从下半部分获得的立场演变的会话线程的谣言真实性。在SemEval 2019 Task 7数据集上的实验结果表明，该方法在谣言立场分类和准确性预测方面都优于以前的方法
2020-10-22 cs.CL
ConvoSumm: Conversation Summarization Benchmark and Improved Abstractive Summarization with Argument Mining
Yale University（耶鲁大学）；Facebook AI（脸书人工智能研究院）
虽然在线对话可以以许多不同的格式覆盖大量的信息，但抽象文本摘要主要集中在仅对新闻文章进行建模。这种研究差距部分是由于缺乏标准化的数据集来总结在线讨论。为了解决这一差距，我们设计了一个问题-观点-断言框架的注释协议，以众包新闻评论，论坛，社区问答论坛和电子邮件线程的各种在线对话形式的四个新的数据集。我们在数据集上对最先进的模型进行基准测试，并分析与数据相关的特征。为了创建一个全面的基准，我们还在广泛使用的会话摘要数据集上评估了这些模型，以在该领域建立强大的基线。此外，我们通过图形构建将参数挖掘直接建模的问题，观点和断言存在于对话和过滤嘈杂的输入，显示比较或改进的结果，根据自动和人工评估。
2021-06-01 cs.CL
Hate Speech and Counter Speech Detection: Conversational Context Does Matter
University of North Texas（北德克萨斯大学）；Arizona State University（亚利桑那州立大学）
仇恨言论和用户生成的内容一起充斥着网络空间。本文研究了对话上下文在注释和检测网络仇恨和反言论中的作用，其中上下文被定义为对话线程中的前面评论。我们创建了一个上下文感知的数据集，用于Reddit评论的三向分类任务：仇恨言论，反言论或中立。我们的分析表明，上下文是至关重要的，以确定仇恨和反言论：人类的判断改变大多数评论取决于我们是否显示注释者的上下文。语言分析深入了解人们用来表达仇恨和反击言论的语言。实验结果表明，神经网络获得显着更好的结果，如果考虑到上下文。我们还提出了定性的错误分析，阐明了（a）何时以及为什么上下文是有益的，以及（b）当考虑上下文时，我们的最佳模型所犯的其余错误。
2022-06-13 cs.CL
Exploring Linguistic Style Matching in Online Communities: The Role of Social Context and Conversation Dynamics
University of Michigan（密歇根大学）
本研究针对Reddit在线社区，基于功能词与正式度两类风格分析大规模双方对话语料，考察多种社会因素下语言风格匹配（LSM）的水平差异及用户被封禁后LSM的变化，揭示其与社区指标的关联及对理解社区动态的价值。
2023-08-26 cs.CL
Predicting Hate Intensity of Twitter Conversation Threads
Hohai University（河海大学）；IIIT Delhi（德里英迪拉·甘地信息技术学院）；Singapore University of Technology and Design（新加坡科技设计大学）；Indian Institute of Technology Delhi（印度理工学院德里分校）
本文提出DRAGNET++模型，利用推文线程的语义和传播结构预测未来回复链中的仇恨强度，在三个公开数据集上显著优于现有基线，相关系数提升11%，RMSE降低25%。
2023-05-14 cs.AI cs.CL cs.SI
Reconstructing the Right Episode: Evaluating Interleaved Conversational Memory Beyond Long Context
University of California San Diego（加利福尼亚大学圣迭戈分校）
针对混合主题长对话的记忆难题，研究人员构建了SCALE-QA基准，并提出TSIM方法，在三类LLM后端上均比最强基线提升5.6-17.6个准确率点，实现最优表现。
2026-10-01 cs.AI cs.CL
Thread of Thought Unraveling Chaotic Contexts
University of Macau（澳门大学）；Microsoft Corporation（微软公司）；University of Technology Sydney（悉尼科技大学）
针对大型语言模型在混乱上下文中遗漏细节的问题，提出借鉴人类认知的“思维线索”策略，作为即插即用模块系统分段分析上下文并选择相关信息，在PopQA、EntityQ及MTCR数据集上显著提升推理性能。
2023-11-15 cs.CL
USDC: A Dataset of $\underline{U}$ser $\underline{S}$tance and $\underline{D}$ogmatism in Long $\underline{C}$onversations
University of Bonn（波恩大学）；TU Berlin（柏林技术大学）；Microsoft（微软）
构建USDC数据集，含764个Reddit长对话的用户立场和教条主义标注，利用LLM自动标注，并微调小模型用于分类任务。
2025-05-24 cs.AI cs.CL cs.LG
Stance Classification for Rumour Analysis in Twitter: Exploiting Affective Information and Conversation Structure
University of Turin（都灵大学）
分析人们对社交媒体中与新闻相关的谣言的反应是防止错误信息传播的一项重要任务，这一点现在被广泛认为是一种危险的趋势。在社交媒体对话中，用户对谣言故事表现出不同的立场和态度。一些用户采取明确的立场，支持或否认有争议的谣言，而其他人只是评论它，或要求提供与谣言真实性有关的额外证据。在这方面，SemEval-2017提出了一个新的共享任务（任务8，子任务A），重点是英语推文中的谣言立场分类。其目标是预测用户对Twitter中出现的谣言的立场，包括支持，否认，查询或评论原始谣言，查看谣言引发的对话线程。本文介绍了一种新的方法来完成这项任务，其中使用的会话为基础的和情感为基础的功能，涵盖不同方面的影响，进行了探索。我们的分类模型在SemEval-2017任务8中的立场分类性能优于表现最好的系统，显示了所提出的特征集的有效性。
2019-01-07 cs.CL
Enriching Abusive Language Detection with Community Context
McGill University（麦吉尔大学）
使用贬义词可以是善意的，也可以是积极的。当滥用检测模型将这些表达错误地归类为贬义时，它们无意中审查了边缘化群体进行的富有成效的对话。与非主导观点互动的一种方法是在对话中加入语境。以前的研究已经利用了用户级和线程级的功能，但它往往忽略了有效对话发生的空间。我们的论文强调了社区背景如何提高滥用语言检测的分类结果。我们为此作出两项主要贡献。首先，我们表明，在线社区集群的性质，他们对虐待受害者的支持。其次，我们建立了社区环境如何提高准确性，降低最先进的辱骂性语言分类器的误报率。这些发现为语境感知模型在辱骂性语言研究中的应用提供了一个有希望的方向。
2022-06-16 cs.CL
GASCOM: Graph-based Attentive Semantic Context Modeling for Online Conversation Understanding
University of Surrey（萨里大学）；Meta AI
本文提出GASCOM框架，利用图结构和语义信息检索相关上下文节点，并设计token级多头图注意力机制进行细粒度建模，在极性预测和仇恨言论检测任务上显著优于现有方法。
2023-10-21 cs.CL
C$^{3}$T: Counterfactual Causal Reasoning for Sentiment Shifts in Social-Media Conversation Trees
Oklahoma State University（俄克拉荷马州立大学）
本研究针对社交媒体对话树的情感转变问题，提出C³T模型，基于CaSiRe数据集，联合预测节点情感与转变，在事件级划分下优于多类基线，为社交媒体分析提供结构导向的反事实建模动机。
2026-09-03 cs.AI cs.CL
How did the discussion go: Discourse act classification in social media conversations
Jadavpur University（贾达布尔大学）；IIIT Delhi（德里印度理工学院信息技术学院）
我们提出了一种新的基于注意力的分层LSTM模型来分类社交媒体对话中的话语行为序列，旨在使用句子级别之外的文本含义从在线讨论中挖掘数据。该任务的独特之处在于对非正式文本讨论中可能的语用角色进行了完整的分类，而不是抽取问题-答案，立场检测或讽刺识别，这些都是非常特定的角色任务。早期的尝试是在Reddit讨论数据集上进行的。我们在相同的数据上训练我们的模型，并在两个不同的数据集上展示测试结果，一个来自Reddit，一个来自Facebook。我们提出的模型在领域独立性方面优于之前的模型;在不使用平台依赖的结构特征的情况下，我们的具有单词相关性注意力机制的分层LSTM分别获得了71%和66%的F1分数，以预测Reddit和Facebook讨论中评论的话语角色。为了在同一任务上学习话语表示，递归和卷积架构的效率已经被提出和分析，具有不同的单词和评论嵌入方案。我们的注意力机制使我们能够根据语篇中的角色来探讨语篇片段的关联排序。我们提出了一个人类注释实验，以揭示有关建模和数据注释的重要观察结果。我们配备了基于文本的话语识别模型，我们探讨了异构的非文本特征，如位置，时间，信息的学习等如何发挥作用，在Facebook上的在线讨论的特征。
2018-08-07 cs.CL cs.SI
Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks
Beijing University of Posts and Telecommunications（北京邮电大学）；Hong Kong Baptist University（香港浸会大学）；Jilin University（吉林大学）
在社交媒体时代，谣言泛滥。对话结构提供了区分真实和虚假声明的有价值的线索。然而，现有的谣言检测方法要么局限于用户响应的严格关系，要么过于简化会话结构。在这项研究中，大大加强了用户意见的互动，同时减轻不相关的职位所带来的负面影响，我们首先表示的会话线程作为一个无向交互图。然后，我们提出了一个索赔引导的层次图注意力网络的谣言分类，提高了表示学习的响应帖子考虑到整个社会背景和出席的帖子，可以语义推断的目标索赔。在三个Twitter数据集上进行的大量实验表明，我们的谣言检测方法比最先进的方法具有更好的性能，并且在早期阶段检测谣言的能力更强。
2021-11-15 cs.CL
Deep Emotion Recognition in Textual Conversations: A Survey
INESC-ID；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）；Faculdade de Letras（文学院）
本文综述了对话情感识别（ERC）的挑战、数据集、神经架构及实践方法，指出预训练Transformer、图神经网络和生成式大语言模型是当前主流技术路线。
2024-10-19 cs.AI cs.CL
Contradiction Detection for Rumorous Claims
Saarland University（萨尔大学）
在新闻工作流程中，社交媒体材料的使用越来越多，需要自动化的方法来识别错误和虚假信息。由于社交媒体帖子中的文本矛盾可能是谣言的信号，因此我们试图对Twitter帖子中的声明如何在文本上矛盾进行建模。我们确定了两种不同的情况下，矛盾出现：其更广泛的形式，可以观察到独立发布的推文和线程会话中的更具体的形式。我们定义了两种情况下不同的论证的核心要素：索赔和对话结构。我们设计和评估模型的两种情况下，统一为3路识别文本蕴涵任务，以表示索赔和会话结构隐含在一个通用的推理模型，而以前的研究使用显式或没有表示这些属性。为了解决噪声文本，我们的分类器使用来自字符串和词性级别的简单相似性特征。语料库的统计数据显示，这些功能的分布差异，而不是矛盾的鸣叫关系，和分类产量的最先进的性能。
2016-11-11 cs.CL
TruthStance: An Annotated Dataset of Conversations on Truth Social
TruthStance数据集通过标注对话内容，研究在线讨论中观点形成与争议的机制，提供论证挖掘和立场检测的基准测试，并释放LLM生成的标签以分析不同维度的立场和论证模式。
2026-02-16 cs.AI cs.CL
Thread With Caution: Proactively Helping Users Assess and Deescalate Tension in Their Online Discussions
Cornell University（康奈尔大学）
不文明仍然是在线讨论平台的一个主要挑战，以至于即使是善意的用户之间的对话也经常会变成不文明的行为。传统上，平台依赖于版主（无论是否有算法帮助）采取纠正措施，如删除评论或禁止用户。在这项工作中，我们提出了一个补充的范例，直接授权用户主动提高他们对现有的紧张局势的认识，他们正在参与的对话，并积极引导他们，因为他们正在起草他们的答复，以避免进一步升级。作为这种模式的概念证明，我们设计了一种算法工具，直接向用户提供这种主动信息，并在一个流行的讨论平台上进行用户研究。通过混合方法的方法相结合的调查与随机对照实验，我们发现定性和定量的见解，参与者如何利用和反应这些信息。大多数与会者报告说，他们认为这一积极主动的范例很有价值，指出这有助于他们发现否则可能会遗漏的紧张关系，并促使他们进一步思考自己的答复并加以修改。当我们的工具警告参与者，他们的对话有可能偏离轨道，变成不文明的行为时，与在工具被禁用的控制条件下，参与者如何起草回复的比较证实了这些影响。这些初步研究结果突出了这种以用户为中心的范例的潜力，并指出了未来实施的具体方向。
2022-12-02 cs.AI cs.CL cs.CY
Crowd Intelligence for Early Misinformation Prediction on Social Media
Indraprastha Institute of Information Technology Delhi（因德拉普拉斯塔信息技术学院德里分校）；Indian Institute of Technology Delhi（印度理工学院德里分校）
本文提出CROWDSHIELD方法，利用群体智能结合深度Q-learning和transformer编码器捕捉对话中的立场与主张，实现社交媒体早期错误信息预测，并在MIST数据集上取得优于十个基线的性能。
2024-08-08 cs.CL
Conversation Tree Architecture: A Structured Framework for Context-Aware Multi-Branch LLM Conversations
Pandemonium Research（Pandemonium研究院）
本文提出对话树架构（CTA），通过层次化结构管理LLM对话，解决传统扁平结构导致的上下文污染问题，提供结构化对话上下文管理方法。
2026-03-22 cs.AI cs.CL cs.HC
MAILEX: Email Event and Argument Extraction
George Mason University（乔治梅森大学）；University of Maryland（马里兰大学）
本文提出首个对话式邮件线程事件抽取数据集 MailEx，定义了 10 种事件类型和 76 个论元，通过对比三类方法的实验揭示了邮件事件抽取的挑战并呼吁更多研究。
2023-10-21 cs.AI cs.CL
A Weakly Supervised Approach for Classifying Stance in Twitter Replies
Indian School of Business（印度商学院）；Carnegie Mellon University（卡内基梅隆大学）
社交媒体上的对话（SM）越来越多地被用来调查网络上的社会问题，如在线骚扰和谣言传播。对于这些问题，一个常见的研究思路是使用对抗性反应，例如，指出谣言中不实之处的答复。虽然在线对话中普遍存在敌对反应，但从回复中的文本中推断出这些负面观点（或立场）是困难的，需要复杂的自然语言处理（NLP）模型。此外，用于立场挖掘的传统NLP模型需要标记数据用于监督学习。获得标记的对话本身就具有挑战性，因为对话可以是任何主题，并且主题会随着时间的推移而变化。这些挑战使得学习姿势成为一个困难的NLP问题。在这项研究中，我们首先创建了一个新的立场数据集，包括三个不同的主题，通过标记用户对主题的意见（如赞成/反对）和用户在回复他人帖子时的立场（如赞成/反对）。由于我们发现监督方法的局限性，我们提出了一种弱监督方法来预测Twitter回复中的立场。我们的新方法允许使用较少数量的标签来为Twitter回复生成弱标签。与监督学习相比，我们的方法在人工标记的数据集上将平均F1-macro提高了8\%，而无需在训练集中使用任何人工标记的示例。我们进一步展示了我们提出的方法在Twitter上与COVID 19相关的对话中的适用性。
2021-03-12 cs.CL cs.SI
SPOT: An Annotated French Corpus and Benchmark for Detecting Critical Interventions in Online Conversations
SPOT通过标注法语语料库和基准，检测在线对话中的关键干预，验证了监督学习在非英语社交媒体任务中的重要性。
2026-03-09 cs.CL cs.CY
