Bi-ISCA: Bidirectional Inter-Sentence Contextual Attention Mechanism for Detecting Sarcasm in User Generated Noisy Short Text
Shiv Nadar University(希夫·纳达尔大学);Accenture Technology Labs(埃森哲技术实验室)
社交媒体平台上的许多在线评论是仇恨的,幽默的,或讽刺的。这些评论(尤其是短评论)的讽刺性质改变了它们实际隐含的情感,这导致了现有情感分析模型的误解。大量的研究已经做了检测讽刺的文本中使用基于用户的,主题和会话信息,但没有太多的工作已经做了使用句间上下文信息检测相同。本文提出了一种新的最先进的深度学习架构,该架构使用一种新的双向句间上下文注意力机制(Bi-ISCA)来捕获句间依赖关系,以便仅使用会话上下文来检测用户生成的短文本中的讽刺。所提出的深度学习模型展示了捕获负责引起讽刺的显式、隐式和上下文不一致的单词和短语的能力。Bi-ISCA在两个广泛使用的讽刺检测任务基准数据集(Reddit和Twitter)上生成最先进的结果。据我们所知,没有一个现有的国家的最先进的模型使用一个句子间的上下文注意力机制,以检测讽刺的用户生成的短文本中使用的会话上下文。
2021-04-20 cs.CL
SarcasTraps: Effect of Sarcasm on Turkish Hate Speech Detection
Sabanci University(萨班哲大学)
本文构建了针对土耳其语的讽刺仇恨言论测试集SarcasTraps,经实验发现微调模型与零样本大语言模型在检测含讽刺的仇恨言论时均存在性能缺陷。
2026-10-14 cs.AI cs.CL cs.LG
Revealing the impact of synthetic native samples and multi-tasking strategies in Hindi-English code-mixed humour and sarcasm detection
Department of Data Science and Engineering(数据科学与工程系);Indian Institute of Science Education and Research(印度科学教育与研究学院)
本研究通过母语样本混合、多任务学习及提示/指令微调三种策略提升印地语-英语代码混合幽默与讽刺检测,发现前两种方法显著提高F1分数,并公开代码。
2025-09-08 cs.AI 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
TextMI: Textualize Multimodal Information for Integrating Non-verbal Cues in Pre-trained Language Models
University of Rochester(罗切斯特大学)
预训练的大语言模型最近在各种各样的语言理解任务中取得了突破性的表现。然而,相同的模型不能应用于多模态行为理解任务(例如,视频情感/幽默检测)除非非语言特征(例如,听觉和视觉)可以与语言相结合。联合建模多个模态显著增加了模型的复杂性,并使训练过程数据饥饿。虽然通过网络可以获得大量的文本数据,但收集大规模的多模式行为视频数据集在时间和金钱方面都非常昂贵。在本文中,我们调查是否大语言模型单独可以成功地将非语言信息时,他们在文本形式。我们提出了一种方法来转换成相应的文本描述和连接它们与口语文本的声学和视觉信息。我们将此增强输入馈送到预训练的BERT模型,并在三个下游多模态任务上对其进行微调:情感,幽默和讽刺检测。我们的方法,TextMI,大大降低了模型的复杂性,增加了解释模型的决定,并可以应用于一组不同的任务,同时实现卓越的(多模态讽刺检测)或接近SOTA(多模态情感分析和多模态幽默检测)的性能。我们建议TextMI作为一个通用的,有竞争力的多模态行为分析任务的基线,特别是在低资源的设置。
2023-03-29 cs.CL cs.LG
"When Words Fail, Emojis Prevail": Generating Sarcastic Utterances with Emoji Using Valence Reversal and Semantic Incongruity
Islamic University of Technology(伊斯兰科技大学)
针对反讽生成多局限于文本的现状,提出将任务拆分为文本反讽生成(融入效价反转、语义不一致要素)和关联emoji收集两部分的新架构,经人工评估验证效果,代码数据已公开。
2023-06-16 cs.CL
MixSarc: A Bangla-English Code-Mixed Corpus for Implicit Meaning Identification
Department of Computer Science and Engineering, Islamic University of Technology, Dhaka, Bangladesh(伊斯兰科技大学计算机科学与工程系,达卡,孟加拉国);Department of Computer Science, University of Illinois Chicago, Chicago, Illinois, United States of America(伊利诺伊大学芝加哥分校计算机科学系,芝加哥,伊利诺伊州,美国)
MixSarc通过构建首个孟加拉-英语混合语料库,解决隐含意义识别中的多语言切换与文化差异问题,验证了模型在幽默检测上的有效性,但发现讽刺等类别因不平衡和复杂性而表现欠佳。
2026-06-27 cs.CL
MMoE: Enhancing Multimodal Models with Mixtures of Multimodal Interaction Experts
Carnegie Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出多模态混合专家(MMoE)方法,通过为冗余、独特性和协同作用等多模态交互类型训练独立专家模型来增强多模态模型,在讽刺和幽默检测任务上取得最先进结果。
2024-09-25 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
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
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
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
Towards Multimodal Sarcasm Detection (An _Obviously_ Perfect Paper)
University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学);SUTD(新加坡科技设计大学)
讽刺通常通过几种语言和非语言线索来表达,例如,语调的变化,一个词的过分强调,一个拉长的音节,或者一张板着的脸。最近的大部分讽刺检测工作都是在文本数据上进行的。在本文中,我们认为,将多模态线索可以提高自动分类的讽刺。作为第一步,使多模态的讽刺检测方法的发展,我们提出了一个新的讽刺数据集,多模态讽刺检测数据集(MUSTARD),从流行的电视节目编译。MUSTARD由带有讽刺标签的视听话语组成。每一个话语都伴随着对话中的历史话语的上下文,这提供了关于话语发生的场景的额外信息。我们的初步研究结果表明,使用多模态信息可以减少高达12.9%的F-分数的讽刺检测的相对出错率相比,使用个人的方式。完整的数据集可在https://github.com/soujanyaporia/MUStARD上公开使用
2019-06-05 cs.CL cs.CV
Assessing how hyperparameters impact Large Language Models' sarcasm detection performance
Toronto Metropolitan University(多伦多都会大学)
本研究探索超参数对GPT和Llama-2模型讽刺检测性能的影响,在SARC2.0数据集上评估不同规模、版本的微调与零样本模型,发现同家族模型微调性能随规模单调提升,超参数调优也有影响,Llama-2-13b微调后达0.83的准确率和F1分数,与人类平均表现相当。
2025-04-15 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
Small But Funny: A Feedback-Driven Approach to Humor Distillation
University of British Columbia(英属哥伦比亚大学);Meta AI;Vector Institute for AI(向量人工智能研究院)
本文提出反馈驱动的幽默蒸馏框架,让 LLM 同时担任教师与评论者,证明反馈比单纯模仿更能缩小 SLM 与大模型在幽默生成上的差距。
2024-02-28 cs.AI cs.CL
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
ColBERT: Using BERT Sentence Embedding in Parallel Neural Networks for Computational Humor
Sharif University of Technology(谢里夫理工大学);Goums(古姆斯大学)
提出基于BERT句子嵌入和并行神经网络的幽默检测方法,利用语言学理论,在20万数据集上F1达0.982,优于现有模型。
2022-12-01 cs.CL cs.LG
On Sarcasm Detection with OpenAI GPT-based Models
Toronto Metropolitan University(多伦多都会大学)
本文探讨了GPT-3、InstructGPT、GPT-3.5和GPT-4模型在讽刺检测中的应用,在SARC 2.0数据集上测试微调与零样本模型,发现最大微调GPT-3模型准确率达0.81优于先前模型,并强调每次版本发布后需重新评估性能。
2023-12-07 cs.CL cs.LG
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
A Unified Deep Learning Architecture for Abuse Detection
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Telefonica Research(西班牙电信研究院);University of Alabama(阿拉巴马大学)
仇恨言论、攻击性语言、性别歧视、种族主义和其他类型的辱骂行为已成为许多在线社交媒体平台的常见现象。近年来,这种不同的虐待行为已经表现出越来越多的频率和强度。这是由于Twitter和Facebook等流行媒体平台的开放性和意愿,以托管敏感或有争议的话题。然而,这些平台没有充分解决在线滥用行为的问题,它们对有效检测和阻止这种不当行为的反应仍然有限。在本文中,我们研究这个复杂的问题,以下一个更全面的方法,认为虐待行为的各个方面。为了使这种方法切实可行,我们专注于Twitter数据,并从不同角度分析用户和文本属性的滥用张贴行为。我们提出了一个深度学习架构,它利用各种各样的可用元数据,并将其与自动提取的隐藏模式内的推文,以检测多个滥用行为规范是高度相关的。我们以无缝、透明的方式应用这种统一的架构来检测不同类型的虐待行为(仇恨言论、性别歧视与种族主义、欺凌、讽刺等)。而不需要对每个任务的模型体系结构进行任何调整。我们用多个数据集来测试所提出的方法,这些数据集解决了Twitter上的不同和多种滥用行为。我们的结果表明,它在很大程度上优于最先进的方法(AUC提高21至45%,取决于数据集)。
2018-02-21 cs.CL cs.SI