News Headlines Dataset For Sarcasm Detection
UC San Diego（加州大学圣迭戈分校）
过去在讽刺检测方面的研究主要利用基于标签的监督收集的Twitter数据集，但这些数据集在标签和语言方面存在噪声。此外，许多推文是对其他推文的回复，检测这些推文中的讽刺需要上下文推文的可用性。为了克服Twitter数据集中与噪音相关的限制，我们从两个新闻网站策划新闻标题数据集：TheOnion旨在制作时事的讽刺版本，而HuffPost发布真实新闻。该数据集包含大约28K的标题，其中13K是讽刺的。为了使它更有用，我们包括了新闻文章的源链接，以便根据需要提取更多数据。在本文中，我们描述了关于数据集和潜在用例的各种细节，除了讽刺检测。
2022-09-17 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
Sarcasm Detection in a Disaster Context
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文构建含15,000条推文的 HurricaneSARC 讽刺标注数据集，利用预训练语言模型和中间任务迁移学习检测灾害语境中的讽刺，最佳模型 F1 达0.70。
2023-08-16 cs.CL cs.LG
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
Combining Humor and Sarcasm for Improving Political Parody Detection
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博社）
戏仿是一种比喻性的手段，用于模仿喜剧或批评目的的实体。戏仿是有意的幽默，通常包含讽刺。本文探讨联合建模这些比喻比喻的目的是提高性能的政治模仿检测推文。为此，我们提出了一个多编码器模型，它结合了三个并行编码器，以丰富的幽默和讽刺信息的模仿特定的表示。在公开的政治模仿推文数据集上的实验表明，我们的方法优于以前的最先进的方法。
2022-05-06 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
"Did you really mean what you said?" : Sarcasm Detection in Hindi-English Code-Mixed Data using Bilingual Word Embeddings
Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）
随着世界各地的人们越来越多地使用社交媒体平台，许多新的有趣的NLP问题已经存在。其中之一是检测社交媒体文本中的讽刺。我们提出了一个语料库的tweets训练自定义词嵌入和标记为讽刺检测的Hinglish数据集。我们提出了一种基于深度学习的方法来解决印地语-英语代码混合推文中的讽刺检测问题，使用来自FastText和Word 2 Vec方法的双语词嵌入。我们试验了各种深度学习模型，包括CNN、LSTM、双向LSTM（有注意力和无注意力）。我们的深度学习模型能够超越所有最先进的性能，其中基于注意力的双向LSTM提供了最佳性能，准确率为78.49%。
2020-10-15 cs.CL
Sarcasm Detection in Twitter -- Performance Impact while using Data Augmentation: Word Embeddings
Bina Nusantara University（比娜努桑塔拉大学）
Sarcasm是一种通常用于嘲笑或惹恼某人或出于幽默目的的词语。讽刺主要用于社交网络和微博网站，在这些网站上，人们嘲笑或谴责的方式甚至让人难以分辨所说的是什么意思。在情感分析和意见挖掘等自然语言处理应用中，如果无法识别讽刺性话语，将混淆分类算法并生成错误结果。关于讽刺检测的一些研究利用了不同的学习算法。然而，这些学习模式大多只关注表达的内容，而孤立地忽略了语境信息。因此，他们未能捕捉到讽刺表情中的语境信息。此外，在一些研究中使用的一些数据集具有影响模型结果的不平衡数据集。在本文中，我们提出了一个上下文模型，在Twitter上使用Roberta的讽刺识别，并通过应用全局向量表示（GloVe）的词嵌入和上下文学习的建设，以产生更多的数据和平衡的数据集，以增加数据集。使用各种数据集和数据增强设置来测试该技术的有效性。特别是，当使用数据增强来增加20%标记为讽刺的数据时，我们在iSarcasm数据集中实现了3.2%的性能增益，与没有数据增强的37.2%相比，F分数为40.4%。
2021-08-31 cs.CL cs.LG
"Having 2 hours to write a paper is fun!": Detecting Sarcasm in Numerical Portions of Text
IIT Bombay（印度理工学院孟买分校）
由于文本中数字部分的存在而发生的讽刺已经被引用为过去自动讽刺检测方法所犯的错误。我们提出了第一个研究检测讽刺的数字，如在案件的句子“爱在凌晨4点醒来”。我们分析了这个问题的挑战，并提出了基于规则的，机器学习和深度学习的方法来检测文本的数字部分的讽刺。我们的深度学习方法在推特数据集上的讽刺检测和基于规则的机器学习方法方面优于过去的四项工作，获得了0.93的F1分数。这表明，特别注意包含数字的文本可能有助于提高讽刺检测的最新技术水平。
2017-09-06 cs.CL
iSarcasm: A Dataset of Intended Sarcasm
University of Edinburgh（爱丁堡大学）
我们认为在文本讽刺检测的背景下，有意和感知的讽刺之间的区别。前者发生在从作者的角度来看话语是讽刺的时候，而后者发生在话语被听众理解为讽刺的时候。我们展示了以前的标签方法在捕获有意讽刺方面的局限性，并介绍了由作者直接标记讽刺的推文的iSarcasm数据集。在我们的数据集上检查最先进的讽刺检测模型显示，与以前研究的数据集相比，性能较低，这表明这些数据集可能是有偏见的或明显的，讽刺可能是迄今为止计算研究不足的现象。通过提供iSarcasm数据集，我们的目标是鼓励未来的NLP研究开发出检测文本作者意图的讽刺的方法，而不是根据我们证明是次优的假设进行标记。
2020-05-01 cs.CL
Sarcasm SIGN: Interpreting Sarcasm with Sentiment Based Monolingual Machine Translation
Technion, IIT（以色列理工学院）
讽刺是一种说话的形式，说话者为了表达强烈的感情而说出与真实意思相反的话。换句话说，“讽刺是我所说的和不明白的人之间的巨大鸿沟。".在本文中，我们提出了一个新的任务，讽刺的解释，定义为一个非讽刺话语传达相同的信息作为原来的讽刺之一的生成。我们介绍了一个新的数据集的3000个讽刺的推文，每个解释由五个人类法官。针对单语机器翻译（MT）的任务，我们实验MT算法和评估措施。然后，我们提出了SIGN：一个基于MT的讽刺解释算法，目标是情感词，文本讽刺的定义元素。我们发现，虽然基于n-gram的自动测量的分数对于所有解释模型都是相似的，但SIGN的解释在充足性和情感极性方面被人类得分更高。最后，我们讨论了未来的研究方向，我们的新任务。
2017-04-22 cs.CL
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
Are Word Embedding-based Features Useful for Sarcasm Detection?
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）；IITB-Monash Research Academy（IITB-莫纳什研究学院）
本文是对当前讽刺检测研究的一个简单补充。现有的方法无法捕捉微妙的形式的上下文不协调，这是讽刺的核心。我们探讨如果以前的工作可以提高使用语义相似性/不一致性之间的词嵌入。我们将基于词嵌入的特征扩展到过去报道的四个特征集。我们还尝试了四种类型的词嵌入。我们观察到讽刺检测的改善，无论使用的词嵌入或原始功能集，我们的功能被增强。例如，当使用Word 2 Vec嵌入时，这种增强导致这四个特征集中的三个的F分数提高约4%，并且在第四个的情况下略有下降。最后，四个嵌入的比较表明，Word 2 Vec和依赖权重为基础的功能优于LSA和GloVe，在他们的好处讽刺检测。
2016-10-04 cs.CL
Deep Learning and Word Embeddings for Tweet Classification for Crisis Response
University of York（约克大学）；University of Hail（哈伊勒大学）
用于危机响应的传统推文分类模型专注于卷积层和特定领域的词嵌入。在本文中，我们研究了不同的神经网络与通用和特定领域的词嵌入的应用，以调查他们的能力，以提高性能的推文分类模型。我们在CrisisNLP数据集上评估了四个推文分类模型，并获得了可比较的结果，这表明可以使用GloVe等通用词嵌入来代替特定领域的词嵌入，特别是使用Bi-LSTM，结果报告了62.04%F1分数的最高性能。
2019-03-26 cs.CL cs.LG
The Effect of Sociocultural Variables on Sarcasm Communication Online
The University of Edinburgh（爱丁堡大学）
在线社交网络（OSN）在连接人们并允许他们在线交流方面发挥着重要作用。OSN用户通过他们的网络分享他们的想法、时刻和新闻。他们在网上分享的信息可能包括讽刺性的帖子，其中书面文本所表达的意图与字面意思不同。这可能会导致误解。心理语言学的研究主要集中在社会文化因素对说话人和听话人之间的讽刺误解的影响上。然而，在OSN的背景下缺乏这样的研究。在本文中，我们填补了这一空白进行定量分析的社会文化变量的影响，包括性别，年龄，国家和英语母语，讽刺沟通的有效性在线。我们直接从发布这些推文的作者那里收集讽刺性推文的例子。此外，我们要求不同社会文化背景的第三方注释者为这些推文贴上讽刺的标签。我们的分析表明，年龄，英语母语，和国家是显着的影响，并应考虑在未来的社会分析工具，要么直接研究讽刺，或看看相关的现象，讽刺可能有影响的设计。我们还对OSN上讽刺交流的社会生态进行了观察。最后，我们建议的方式，我们的研究结果可以包括在未来的工作。
2020-04-10 cs.CL cs.SI
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
Plumeria at SemEval-2022 Task 6: Robust Approaches for Sarcasm Detection for English and Arabic Using Transformers and Data Augmentation
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文介绍了我们提交给SemEval-2022任务6的讽刺检测及其五个子任务的英语和阿拉伯语。讽刺表达了一种与字面意思相矛盾的意思，它主要出现在社交网络上。它在理解用户意图方面具有重要作用。为了检测讽刺，我们使用了基于Transformers的深度学习技术，因为它在自然语言处理（NLP）领域取得了成功，而不需要特征工程。数据集来自Twitter。我们通过增加外部数据或使用词嵌入和重复实例来创建新的数据集。实验是在具有不同类型预处理的数据集上进行的，因为它在这项任务中至关重要。我们的团队在四个子任务中的排名是一致的（三个子任务中排名第四，一个子任务中排名第六）;而其他团队可能在某些子任务中排名最高，但在其他子任务中排名则要低得多。这意味着我们使用的模型和技术的鲁棒性和稳定性。
2022-03-08 cs.AI cs.CL cs.LG
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
A Context-Sensitive Word Embedding Approach for The Detection of Troll Tweets
Duzce University（杜兹大学）
本文评估BERT、ELMo、GloVe与CNN、GRU组合的挑衅性推文检测模型，发现采用GRU分类器的ELMo架构效果最佳，AUC达0.929。
2023-06-07 cs.AI cs.CL
When Benchmarks Mislead: Shortcut Learning, Length Confounds, and the Limits of Cross-Dataset Generalization in Multilingual Fake News and Sarcasm Detection
研究乌尔都语假新闻检测的跨数据集泛化，用XLM-RoBERTa在两个数据集上实验，发现跨数据集转移存在不对称性，Ax-to-Grind数据集中长度混淆影响性能，提出结合双向转移分析和预测崩溃检查的诊断方法来识别混淆驱动行为。
2026-07-23 cs.CL
Optimism, Expectation, or Sarcasm? Multi-Class Hope Speech Detection in Spanish and English
The University of Punjab（旁遮普大学）；Texas Tech University（德克萨斯理工大学）
本文提出多语言细粒度希望言论数据集PolyHope V2，区分四种希望子类型，并通过实验证明微调transformer在检测细微希望类别和讽刺方面优于GPT-4和Llama 3等大语言模型。
2025-05-05 cs.CL
Expect the unexpected: Harnessing Sentence Completion for Sarcasm Detection
Indian Institute of Technology Bombay（印度孟买理工学院）；Monash University（莫纳什大学）；IITB-Monash Research Academy（IITB-莫纳什研究学院）
本文将讽刺检测建模为观察词与预期词的不协调识别，利用基于双向 LSTM 的 Context2Vec 预测预期词，并提出全词与仅不协调词两种方法，验证了句子完成用于讽刺检测的潜力。
2017-07-19 cs.CL
A Comparative Study on Transfer Learning and Distance Metrics in Semantic Clustering over the COVID-19 Tweets
Islamic Azad University（伊斯兰阿扎德大学）；Iran University of Science and Technology（伊朗科技大学）
本文是在COVID-19数据的主题检测背景下的比较研究。话题检测的方法有很多种，本文选择了聚类方法。聚类需要距离，计算距离需要嵌入。本研究的目的是同时研究嵌入方法、距离度量和聚类方法三个因素及其相互作用。这项研究使用了一个数据集，其中包括一个月内收集的带有COVID-19相关标签的推文。在嵌入方法中，从早期的方法到新的方法，选择了五种方法：Word2Vec，fastText，GloVe，BERT和T5。本文研究了五种聚类方法：k-means，DBSCAN，OPTICS，光谱和Jarvis-Patrick。欧几里德距离和余弦距离作为最重要的距离度量在这一领域也进行了检查。首先，进行7,500多次测试来调整参数。然后，所有不同的嵌入方法与距离度量和聚类方法的组合进行了研究的轮廓度量。这些组合的数量为50例。首先，检查这50个测试的结果。然后，在该方法的所有测试中考虑每个方法的等级。最后，对本研究的主要变量（嵌入方法、距离度量和聚类方法）分别进行了研究。对控制变量进行平均以中和它们的影响。实验结果表明，T5在轮廓度量方面明显优于其他嵌入方法。在距离度量方面，余弦距离略好。DBSCAN在聚类方法方面也优于其他方法。
2021-11-16 cs.CL cs.LG
Emo2Vec: Learning Generalized Emotion Representation by Multi-task Training
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；The Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了将情感语义编码到向量中的V2 Vec。我们通过多任务学习六个不同的情感相关任务来训练E2 Vec，包括情感/情感分析、讽刺分类、压力检测、辱骂语言分类、侮辱检测和人格识别。我们的评估表明，它优于现有的情感相关的表示，如情感特定的词嵌入和DeepMoji嵌入与更小的训练语料库。当与GloVe相结合时，Glo 2 Vec使用简单的逻辑回归分类器在多个任务上实现了具有竞争力的性能，达到了最先进的结果。
2018-09-12 cs.CL
Spam and Sentiment Detection in Arabic Tweets Using MARBERT Model
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·法伊塞尔大学）；Saudi Telecom Company（沙特电信公司）；Saudi Aramco Cybersecurity Chair（沙特阿美网络安全主席）
本研究利用MARBERT模型对阿拉伯语推文进行情感分析，以提升沙特电信公司客户服务，在24,513条推文数据集上取得了优于现有技术的准确率。
2026-06-25 cs.AI cs.CL
Efficacy of BERT embeddings on predicting disaster from Twitter data
Temple University（天普大学）
像Twitter这样的社交媒体提供了一个共同的平台，可以与其他人分享和交流个人经历。人们经常在社交媒体上发布他们的生活经历，当地新闻和事件，以告知他人。许多救援机构定期监测这类数据，以识别灾害并降低生命风险。然而，人类不可能手动检查大量数据并实时识别灾难。为了这个目的，已经提出了许多研究工作，以机器可理解的表示来呈现单词，并在单词表示上应用机器学习方法来识别文本的情感。以前的研究方法提供了一个单一的表示或嵌入一个词从一个给定的文档。然而，最近提出的高级上下文嵌入方法（BERT）在不同的上下文中为同一个词构造不同的向量。BERT嵌入已成功用于不同的自然语言处理（NLP）任务，但还没有具体分析这些表示如何有助于灾难类型的推文分析。在这项研究工作中，我们探讨了BERT嵌入的Twitter数据预测灾难的功效，并将其与传统的上下文无关的词嵌入方法（GloVe，Skip-gram和FastText）进行了比较。为此，我们使用传统的机器学习方法和深度学习方法。我们为这项研究提供了定量和定性的结果。实验结果表明，与传统的词嵌入方法相比，BERT嵌入方法在灾害预测中具有更好的效果。我们的代码是免费提供给研究界。
2021-08-08 cs.CL cs.LG
Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter
University of Minnesota（明尼苏达大学）；University of Florida（佛罗里达大学）
目的：这项研究的目的是开发一个深度学习管道，以检测Twitter上饮食不良事件（DS AE）的信号。材料和方法：我们从2012年到2018年获得了247，807条提到DS和AE的推文。我们在2,000条随机选择的推文上标注了生物医学实体和关系。对于概念提取任务，我们比较了传统的词嵌入与SVM，CRF和LSTM-CRF分类器的性能BERT模型。对于关系抽取任务，我们将GloVe向量与CNN分类器与BERT模型进行了比较。我们在每个任务中选择表现最好的模型来组装端到端的深度学习管道来检测DS AE信号，并将结果与来自DS知识库的已知DS AE进行比较（即，iDISK）。结果：在两个任务中，基于BERT的模型都优于传统的词嵌入。表现最好的概念提取模型是BioBERT模型，它可以识别补充剂、症状和身体器官实体，F1分数分别为0.8646、0.8497和0.7104。性能最好的关系抽取模型是BERT模型，它可以分别以0.8335和0.7538的F1分数识别目的和AE关系。端到端管道能够提取DS适应症和DS AE，F1评分分别为0.7459和0.7414。与iDISK相比，我们可以找到已知和新型的DS-AE。结论：我们已经证明了使用基于BioBERT的深度学习管道从Twitter检测DS AE信号的可行性。
2021-06-21 cs.CL cs.IR
