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
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
Indonesian Social Media Sentiment Analysis With Sarcasm Detection
Institute Technology of Bandung（万隆理工学院）
讽刺被认为是情感分析中最困难的问题之一。在我们对印尼社交媒体的观察中，对于某些话题，人们倾向于使用讽刺来批评某些东西。在这里，我们提出了两个额外的功能来检测讽刺后，一个共同的情感分析进行。特征是否定性信息和感叹词的数量。我们还在情感分类中使用了翻译的SentiWordNet。所有的分类都是用机器学习算法进行的。实验结果表明，附加特征在讽刺检测中是非常有效的。
2015-05-12 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
Sentiment and Sarcasm Classification with Multitask Learning
Instituto Politécnico Nacional（墨西哥国立理工学院）；Nanyang Technological University（南洋理工大学）；Adobe Research（奥多比研究院）
情感分类和讽刺检测都是自然语言处理的重要任务。在表达强烈情感的地方，感伤总是伴随着讽刺。然而，大多数文献认为它们是两个独立的任务。我们认为，讽刺检测的知识也可以有利于情感分类，反之亦然。我们证明了这两个任务是相关的，并使用深度神经网络提出了一个基于多任务学习的框架，该框架对这种相关性进行建模，以提高多任务学习环境中两个任务的性能。在基准数据集中，我们的方法比最新技术的性能高出3-4%。
2019-03-09 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
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
`Who would have thought of that!': A Hierarchical Topic Model for Extraction of Sarcasm-prevalent Topics and 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（印度理工学院孟买分校-莫纳什研究学院）；IIT-BHU (Varanasi)（印度理工学院贝纳拉斯印度教大学分校（瓦拉纳西））
主题模型已被报道是有益的方面为基础的情感分析。本文报告了一个简单的主题模型的讽刺检测，第一，尽我们所知。设计的直觉的基础上，讽刺的推文很可能有一个混合的话，这两种情绪对推文与文字的情绪（无论是积极的还是消极的），我们的分层主题模型发现了流行的主题和主题级的情绪。使用使用标签标记的推文数据集，该模型估计主题级别和情感级别的分布。我们的评估表明，“工作”、“枪支法”、“天气”等话题是最受欢迎的话题。我们的模型还能够发现存在于给定情感相关标签的文本中的情感承载词的混合物。最后，我们应用我们的模型来预测推文中的讽刺。我们优于两个先前的工作的基础上统计分类与特定功能，约25%。
2016-11-22 cs.CL
Deep Multi-Task Model for Sarcasm Detection and Sentiment Analysis in Arabic Language
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；Sidi Mohamed Ben Abdellah University（西迪·穆罕默德·本·阿卜杜拉大学）；University of Sherbrooke（舍布鲁克大学）
讽刺和反语等比喻性语言手段的突出给阿拉伯语情感分析带来了严峻的挑战。虽然以前的研究工作分别解决SA和讽刺检测，本文介绍了一个端到端的深度多任务学习（MTL）模型，允许两个任务之间的知识交互。我们的MTL模型的架构包括一个双向编码器表示从Transformers（BERT）模型，一个多任务注意力交互模块，和两个任务分类器。总体上得到的结果表明，我们提出的模型优于它的单任务对应的SA和讽刺检测子任务。
2021-06-23 cs.CL
Multimodal Analysis of memes for sentiment extraction
PES University（PES大学）
模因是社交媒体传播中最普遍的形式之一。模因具有多媒体的特性，其研究和加工是当前的热门话题。本研究中提出的研究是基于Memotion数据集，其中包括基于讽刺，喜剧，动机和整体情绪的分类模因。三个独立的创新transformer为基础的技术已经开发出来，他们的结果已经彻底检讨。最好的算法实现了宏观F1分数为0.633的幽默分类，0.55的动机分类，0.61的讽刺分类，和0.575的整体情绪的模因出我们所有的技术。
2021-12-22 cs.AI cs.CL cs.CV
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
Overview of Memotion 3: Sentiment and Emotion Analysis of Codemixed Hinglish Memes
University of South Carolina（南卡罗来纳大学）；Stanford University（斯坦福大学）；Amazon AI（亚马逊人工智能）；Microsoft（微软）
本文介绍了AAAI-23 DeFactify 2研讨会中的Memotion 3共享任务，发布了印地语-英语混合模因数据集，涵盖情感、情绪及情绪强度三项任务，超50团队注册，最佳F1分数分别为34.41、79.77和59.82。
2023-09-12 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
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
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
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
Systematic Literature Review: Computational Approaches for Humour Style Classification
California Polytechnic State University（加州州立理工大学）；Imperial College London（伦敦帝国学院）
本系统文献综述调查了幽默与讽刺识别等计算技术，揭示了可用于幽默风格分类的特征与模型，并指出了研究空白与未来方向。
2024-01-30 cs.AI cs.CL cs.LG
Modality Agreement- and Conflict-Aware Prototype Hypergraph Learning for Multimodal Intent Understanding
针对多模态意图理解中分歧信息被多数融合方法忽略的问题，提出MACH框架，通过分层一致与冲突原型超图及自适应仲裁机制，在基准数据集上验证了其有效性。
2026-08-06 cs.AI cs.CL cs.LG
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
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
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
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
Octa: Omissions and Conflicts in Target-Aspect Sentiment Analysis
IBM Corporation（IBM公司）；North Carolina State University（北卡罗来纳州立大学）
固执己见文本中的情感往往由体和目标词（或目标）决定。我们注意到，目标和方面以微妙的方式相互关联，往往产生相互矛盾的情绪。因此，如在现有的情感分析模型中那样，来自分开处理的方面和目标的情感的朴素聚集损害性能。我们提出了Octa，这是一种在推断情绪时共同考虑方面和目标的方法。为了捕捉和量化目标和上下文单词之间的关系，Octa使用了一种选择性的自我注意力机制来处理隐含或缺失的目标。具体来说，Octa涉及两层注意力机制，分别用于目标和上下文词之间的选择性注意和基于方面的对词的注意。在基准数据集上，Octa的表现远远优于领先的模型，准确率（绝对）提高了1.6%至4.3%。
2020-10-06 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
Unveiling Global Narratives: A Multilingual Twitter Dataset of News Media on the Russo-Ukrainian Conflict
University of Potsdam（波茨坦大学）；L3S Research Center（L3S研究中心）
本文构建了一个涵盖 2022 年 2 月至 2023 年 5 月、60 种语言约 150 万条带图推文的多语言多媒体 Twitter 数据集，并用标签支持实体、立场、概念与情感分析。
2024-04-07 cs.CL cs.DL
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
Privacy Preserving Topic-wise Sentiment Analysis of the Iran Israel USA Conflict Using Federated Transformer Models
本文通过联邦学习和深度学习技术，分析伊朗以色列美国冲突的用户评论情感，采用ELECTRA模型获得91.32%准确率，并在隐私保护下保持89.59%的性能。
2026-03-13 cs.CL
When Do "More Contexts" Help with Sarcasm Recognition?
Westview High School（西景高中）；Oregon State University（俄勒冈州立大学）
本研究系统评估了在讽刺识别中增加多种上下文线索的效果，开发了集成框架，在三个基准上达到最先进性能，并揭示了更多上下文可能引入社会偏见的固有缺点。
2024-03-19 cs.CL 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
Russia-Ukraine war: Modeling and Clustering the Sentiments Trends of Various Countries
University of Birjand（比尔詹德大学）
随着Twitter的发展和普及，用户就各种话题分享了大量的观点，使这个平台成为各种政治、社会和经济问题的宝贵信息源。本文调查了关于俄乌战争的英语推文，分析了反映用户对冲突的意见和情绪的趋势。使用基于BERT的模型分析推文的积极和消极情绪，并计算与各个国家的积极和消极推文频率相关的时间序列。然后，我们提出了一种基于邻域平均的方法来建模和聚类的国家的时间序列。聚类结果提供了宝贵的洞察公众舆论关于这场冲突。除此之外，我们可以提到来自美国、加拿大、英国和大多数西欧国家的用户的类似想法，以及东欧、斯堪的纳维亚、亚洲和南美国家对冲突的共同看法。
2023-01-02 cs.CL
Sentiment Analysis of Twitter Posts on Global Conflicts
Conestoga College（康尼斯托加学院）；Wilfrid Laurier University（威尔弗里德·劳雷尔大学）；Southern Utah University（南犹他大学）
本文提出一种情感分析模型，基于Twitter上近期全球争端事件数月间约31,000条筛选推文，分析全球冲突期间的公众情绪。
2023-11-21 cs.CL cs.LG cs.SI
Divide (Text) and Conquer (Sentiment): Improved Sentiment Classification by Constituent Conflict Resolution
Relativity；Allegro Pay
针对含冲突情感的长文本分类难题，论文提出先分离成分情感再聚合的方法，其中基于 MLP 的聚合策略在 Amazon、Twitter 和 SST 上优于基线且成本仅约微调的百分之一。
2025-05-08 cs.AI cs.CL cs.LG
Multi-level Conflict-Aware Network for Multi-modal Sentiment Analysis
Beijing Jiaotong University（北京交通大学）；North University of China（中北大学）
针对多模态情感分析中现有方法忽视双模态冲突且依赖不稳定生成标签的问题，提出多级冲突感知网络（MCAN），分离单/双模态的对齐与冲突成分并通过差异约束建模冲突，在CMU-MOSI和CMU-MOSEI数据集上验证了有效性。
2025-02-13 cs.AI cs.CL cs.LG
Sentiment Analysis of Citations in Scientific Articles Using ChatGPT: Identifying Potential Biases and Conflicts of Interest
Labged Laboratory, Computer Science department（计算机科学系实验室）；Badji Mokhtar Annaba University（巴吉·莫克塔尔安纳巴大学）
本文利用ChatGPT对科学论文中的引用进行情感分析，以识别潜在的偏见和利益冲突，提升学术研究的诚信度。
2026-03-06 cs.CL cs.DL
BAR-Analytics: A Web-based Platform for Analyzing Information Spreading Barriers in News: Comparative Analysis Across Multiple Barriers and Events
本研究推出开源网络平台BAR-Analytics，以俄乌、巴以冲突为案例，整合四类分析方法处理超35万篇文章，揭示两类冲突报道的情感与主题差异及影响因素。
2025-03-31 cs.CL
Tracing Intricate Cues in Dialogue: Joint Graph Structure and Sentiment Dynamics for Multimodal Emotion Recognition
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；Institute of Artificial Intelligence, Huazhong University of Science and Technology（华中科技大学人工智能研究院）；Hubei Key Laboratory of Brain-Inspired Intelligent Systems, Huazhong University of Science and Technology（华中科技大学脑启发智能系统省重点实验室）；Key Laboratory of Image Processing and Intelligent Control (Huazhong University of Science and Technology), Ministry of Education（图像处理与智能控制重点实验室（华中科技大学））
提出GraphSmile方法，通过GSF模块交替吸收跨模态和模态内情感依赖避免融合冲突，并利用SDP辅助任务捕捉情感动态，显著提升了多模态情感识别与分析任务的性能。
2025-06-29 cs.CL
Sentiment Analysis for Measuring Hope and Fear from Reddit Posts During the 2022 Russo-Ukrainian Conflict
Cardiff University（卡迪夫大学）；Admiral Insurance（Admiral保险）
本文提出基于词典的无监督情感分析方法，测量2022年俄乌冲突期间Reddit帖子的希望与恐惧，并利用LDA主题建模揭示公众情绪随战事及非军事事件波动的规律。
2023-01-19 cs.CL cs.CY
Hate Speech and Sentiment of YouTube Video Comments From Public and Private Sources Covering the Israel-Palestine Conflict
Friedrich-Alexander Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Universität Regensburg（雷根斯堡大学）；Universität Leipzig（莱比锡大学）
该研究标注 4983 条涉以巴冲突的 YouTube 评论并训练 AUROC 为 0.83–0.90 的 ML 模型，发现公共来源仇恨言论与立场分化均高于私营来源。
2025-03-03 cs.CL cs.CY cs.LG
Cross-Platform Digital Discourse Analysis of the Israel-Hamas Conflict: Sentiment, Topics, and Event Dynamics
Institute of Computer Science, Foundation for Research and Technology（计算机科学研究所，研究与技术基金会）；Technical University of Crete（克里特技术大学）
本研究通过跨平台分析，揭示了以色列-哈马斯冲突中情感、主题和事件动态的演变，提出多平台数据集及分析流程，探讨平台特性对冲突传播的影响。
2025-11-27 cs.AI cs.CL cs.CY
