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
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
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
Interpretable Bangla Sarcasm Detection using BERT and Explainable AI
BRAC University（BRAC大学）
具有潜在负面动机的积极短语或句子通常被定义为讽刺，其广泛用于当今的社交媒体平台，例如Facebook、Twitter、Reddit等。近年来，社交媒体平台中的活跃用户急剧增加，这提高了对基于NLP的自动化系统的需求，该系统可以用于各种任务，例如确定市场需求、情感分析、威胁检测、然而，由于讽刺通常意味着相反的含义，并且其检测通常是一个具有挑战性的问题，通过基于NLP的模型的数据含义提取变得更加复杂。因此，在过去的几年里，有很多关于英语中的讽刺检测的研究，并且有明显的改进，但孟加拉语中的讽刺检测仍然是一样的。在本文中，我们提出了一个基于BERT的系统，可以达到99.60\%，而使用传统的机器学习算法只能达到89.93\%。此外，我们还采用了本地可解释的模型不可知的解释，介绍了我们的系统。此外，我们还利用了一个新收集的孟加拉语讽刺数据集，BanglaSarc是专门为评估本研究而构建的。该数据集由讽刺和非讽刺评论的新记录组成，其中大部分来自Facebook和YouTube评论部分。
2023-03-22 cs.AI cs.CL
Dual Modality-Aware Gated Prompt Tuning for Few-Shot Multimodal Sarcasm Detection
IIT Guwahati（印度果阿瓦提理工学院）
本文提出DMDP框架，通过门控模态特定深度提示、跨层提示共享和跨模态对齐，提升少样本多模态讽刺检测性能，并在多个数据集上优于基线方法。
2025-07-06 cs.CL
A Transformer-based approach to Irony and Sarcasm detection
National Technical University of Athens（雅典国家技术大学）；Imperial College London（帝国理工学院）
比喻语言（FL）似乎无处不在，在所有的社交媒体论坛和聊天，提出额外的挑战，情感分析的努力。摘要短语篇中的外语图式识别在自然语言处理领域一直是一个悬而未决的问题，主要是由于它们的语义内容相互矛盾和具有隐喻性。其主要表现形式是讽刺、反语和隐喻。在本文中，我们采用先进的深度学习（DL）方法来解决识别上述FL形式的问题。显着扩展我们以前的工作[71]，我们提出了一种神经网络方法，该方法建立在最近提出的基于预训练变换器的网络架构上，该架构通过使用和设计递归卷积神经网络（RCNN）得到进一步增强。通过这种设置，数据预处理保持在最低限度。在四个基准数据集上测试了所设计的混合神经架构的性能，并与其他相关的最先进的方法和系统进行了对比。结果表明，所提出的方法在所有基准数据集下都达到了最先进的性能，甚至远远优于所有其他方法和已发表的研究。
2020-07-07 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
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
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
FiLMing Multimodal Sarcasm Detection with Attention
Indian Institute of technology Indore（印度理工学院印多尔分校）；NIT Meghalaya（梅加拉亚国家理工学院）
讽刺检测识别其预期含义不同于其表面含义所暗示的含义的自然语言表达。它可以应用于许多NLP任务，如意见挖掘，情感分析等。今天，社交媒体已经产生了大量的多模态数据，用户通过文本和图像表达他们的意见。我们的论文旨在利用多模态数据，以提高现有的讽刺检测系统的性能。到目前为止，已经提出了各种方法，使用文本和图像模态和两者的融合。我们提出了一种新的架构，使用RoBERTa模型与共同关注层的顶部，将输入文本和图像属性之间的上下文不一致。此外，我们通过使用GRU网络捕获多模态信息的文本特征来调节通过FiLMed ResNet块的输入图像，从而集成特征仿射变换。两个模型的输出和来自RoBERTa的CLS令牌被连接并用于最终预测。我们的研究结果表明，我们提出的模型优于现有的最先进的方法6.14%F1分数的公共Twitter多模态讽刺检测数据集。
2021-08-09 cs.CL cs.LG cs.MM
Researchers eye-view of sarcasm detection in social media textual content
College of Engineering Pune（浦那工程学院）
本文从研究人员视角系统梳理了社交媒体文本讽刺检测技术，总结了现有方法、相关数据集与最优特征，并指出该领域面临的主要挑战和未来研究方向。
2023-04-17 cs.CL
InterCLIP-MEP: Interactive CLIP and Memory-Enhanced Predictor for Multi-modal Sarcasm Detection
Anhui Polytechnic University（安徽理工大学）；Shanghai University（上海大学）；Shanghai Jiao Tong University（上海交通大学）
针对现有多模态讽刺检测过度依赖文本表面线索、跨模态交互识别能力弱的问题，提出InterCLIP-MEP框架，通过交互式CLIP获取丰富跨模态表示并结合记忆增强预测器，在多数据集上实现SOTA性能且分布偏移下稳定性更优。
2025-11-13 cs.AI cs.CL cs.CV
Transformer-based Context-aware Sarcasm Detection in Conversation Threads from Social Media
Emory University（埃默里大学）
我们提出了一个基于transformer的讽刺检测模型，该模型考虑了整个会话线程的上下文，以实现更强大的预测。我们的模型使用深层的Transformer层来执行线程中的目标话语和相关上下文之间的多头注意力。在来自社交媒体Twitter和Reddit的两个数据集上对上下文感知模型进行了评估，并显示出比基线提高了3.1%和7.0%。我们的最佳模型分别为Twitter和Reddit数据集提供了79.0%和75.0%的F1分数，成为该共享任务中36名参与者中性能最高的系统之一。
2020-05-22 cs.CL
Public Wisdom Matters! Discourse-Aware Hyperbolic Fourier Co-Attention for Social-Text Classification
IIIT Delhi（德里英迪拉·甘地信息技术研究所）；LinkedIn（领英）；IIT Delhi（印度理工学院德里分校）
社交媒体已经成为所有形式的沟通的支点。对假新闻、谣言、讽刺等社交文本进行分类已经引起了极大的关注。社交文本本身表达的表面信号可能不足以完成这些任务;因此，最近的方法试图结合其他内在信号，如用户行为和底层图形结构。通常情况下，通过对社交文本的评论/回复表达的“公共智慧”可以替代众包观点，并可能为我们提供补充信号。社会文本分类的最先进的方法往往会忽略这样一个丰富的层次信号。在这里，我们提出了Hyphen，一个话语感知的双曲谱共同注意力网络。连字符是双曲线图表示学习与新的傅立叶协同注意力机制的融合，试图通过纳入公共话语来概括社会文本分类任务。我们将公共话语解析为抽象意义表示（AMR）图，并使用强大的双曲几何表示来建模具有层次结构的图。最后，我们为它配备了一个新的傅立叶共注意力机制，以捕捉源帖子和公共话语之间的相关性。在四个不同的社交文本分类任务上进行的广泛实验，即检测假新闻，仇恨言论，谣言和讽刺，表明Hyphen具有良好的泛化能力，并在十个基准数据集上取得了最先进的结果。我们还使用了一个经过事实检查和注释的数据集来评估Hyphen如何能够产生解释作为最终预测的类似证据。
2022-10-11 cs.CL cs.LG cs.SI
Suicidal Ideation Detection on Social Media: A Review of Machine Learning Methods
King AbdulAziz University（阿卜杜勒阿齐兹国王大学）
社交媒体平台改变了传统的沟通方式，允许全球用户即时、公开和频繁地进行沟通。人们使用社交媒体来表达他们的观点，分享他们的个人故事和斗争。表达艰难、死亡和自我伤害的负面情绪在社交媒体上很普遍，尤其是在年轻一代中。因此，使用社交媒体来检测和识别自杀意念将有助于提供适当的干预，最终阻止他人自残和自杀，并防止自杀意念在社交媒体上传播。已经进行了许多研究，以确定社交媒体中的自杀意念和行为。本文全面总结了目前在社交媒体上使用机器学习算法检测自杀意念的研究工作。本文回顾了24项研究，调查社交媒体用于自杀意念检测的可行性，旨在促进该领域的进一步研究，并将成为从事自杀文本分类的研究人员的有益资源。
2022-01-25 cs.CL
Perceived and Intended Sarcasm Detection with Graph Attention Networks
现有的讽刺检测系统集中利用语言标记，上下文，或用户级的先验知识。然而，社会研究表明，作者和观众之间的关系可以同样相关的讽刺的使用和解释。在这项工作中，我们提出了一个框架，共同利用（1）用户上下文从他们的历史推文与（2）从用户的会话邻居在交互图的社会信息，上下文的解释后。我们使用图形注意力网络（GAT）在用户和推文的会话线程，结合密集的用户历史表示。除了在最近发布的19k Twitter用户数据集上获得最先进的结果外，还添加了10M未标记的推文作为上下文，我们的研究结果表明，该模型有助于解释作者的讽刺意图，而不是预测他人的讽刺感知。
2021-10-08 cs.CL
"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
Representing Social Media Users for Sarcasm Detection
Stanford University（斯坦福大学）
我们探讨了两种方法来代表作者的文本讽刺检测的背景下：贝叶斯方法，直接代表作者的倾向是讽刺，和密集的嵌入方法，可以学习作者和文本之间的互动。使用Reddit评论的SARC数据集，我们证明了用这些表示来增强双向RNN可以提高性能;贝叶斯方法在同质上下文中就足够了，而密集嵌入的附加功能在更多样化的情况下证明是有价值的。
2018-08-25 cs.CL cs.SI
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
Social Bias in Chinese Large Language Models under Social Media Expressions
Nanjing Normal University（南京师范大学）
该研究针对中文大语言模型，构建含73组配对样本的探测集，评估社交媒体表达下的社会偏见，发现表达形式影响偏见评估，反讽低分不代表偏见缓解，提供了中文社交媒体场景的偏见测量方法。
2026-10-14 cs.CL
Token-free Models for Sarcasm Detection
New York University（纽约大学）
本文评估 ByT5 和 CANINE 两种无词元模型在社交媒体和新闻标题的讽刺检测任务上的表现，发现其优于基于词元的基线模型并取得新的最先进性能，证明了无词元模型在嘈杂非正式领域实现稳健 NLP 的潜力。
2025-05-02 cs.CL
Modelling Context with User Embeddings for Sarcasm Detection in Social Media
INESC-ID Lisboa, Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院INESC-ID里斯本）；iSchool, University of Texas at Austin（德克萨斯大学奥斯汀分校信息学院）
我们引入了一个深度神经网络的自动讽刺检测。最近的工作强调，需要模型利用上下文功能，超越词汇和句法线索存在于话语。例如，不同的说话者将倾向于采用关于不同主题的讽刺，因此，讽刺检测模型应该对这样的说话者信息进行编码。目前的方法已经通过费力的特征工程实现了这一点。相比之下，我们建议自动学习，然后利用用户嵌入，与词汇信号一起使用，以识别讽刺。我们的方法不需要复杂的特征工程（以及随之而来的数据抓取）;拟合用户嵌入只需要他们以前的帖子中的文本。实验结果表明，我们的模型优于一个国家的最先进的方法，利用广泛的一组精心制作的功能。
2016-07-05 cs.AI cs.CL
A Survey on Automated Sarcasm Detection on Twitter
Lakehead University（湖首大学）
自动反语检测是计算机科学中一个不断发展的领域。短信越来越多地用于通信，特别是通过Twitter等社交媒体平台。由于上下文不足或缺失，这些信息中未识别的讽刺可能会颠倒陈述的含义，导致混乱和沟通失败。本文介绍了目前用于讽刺检测的各种方法，包括上下文检测，发帖历史和机器学习模型。此外，可以观察到向深度学习方法的转变，这可能是由于使用具有诱导特征而不是离散特征的模型以及Transformers创新的好处。
2022-02-05 cs.CL
A Survey of Multimodal Sarcasm Detection
George Mason University（乔治梅森大学）；Lancaster University（兰卡斯特大学）；University of Surrey（萨里大学）；Michigan State University（密歇根州立大学）
本文综述2018至2023年多模态讽刺检测研究，梳理相关模型与数据集，并指出未来研究方向。
2024-10-24 cs.CL
BanglaSarc: A Dataset for Sarcasm Detection
BRAC University（BRAC大学）
作为世界上使用最广泛的语言之一，孟加拉语在社交媒体世界中的使用也在增加。讽刺是一种积极的陈述或评论，具有潜在的负面动机，在当今的社交媒体平台中广泛使用。在过去的许多年里，英语中的讽刺检测已经有了显着的改进，但是孟加拉语讽刺检测的情况仍然没有改变。因此，在孟加拉语中识别讽刺仍然很困难，而缺乏高质量的数据是一个主要因素。本文提出了BanglaSarc，一个专门为孟加拉语文本数据讽刺检测构建的数据集。该数据集包含从各种在线社交平台（如Facebook，YouTube）以及一些在线博客收集的5112条评论/状态和内容。由于孟加拉语分类评论的数据汇集量有限，该数据集将有助于识别讽刺，识别人们的情绪，检测各种类型的孟加拉语表达等领域的研究。该数据集可在https://www.kaggle.com/datasets/sakibapon/banglasarc上公开获得。
2022-09-27 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
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
Are you serious?: Rhetorical Questions and Sarcasm in Social Media Dialog
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Utah（犹他大学）
有效的社交对话模式必须理解广泛的修辞和比喻手段。修辞性问句是一种修辞语言，其目的是达到语用目的，如构建论点、说服、强调观点或讽刺。虽然有计算模型的其他形式的比喻语言，修辞问题很少受到关注的日期。我们从以前的工作中扩展了一个小数据集，呈现了来自辩论论坛和Twitter的10，270个代表不同话语功能的RQ的语料库。我们表明，我们可以清楚地区分RQ和真诚的问题（0.76 F1）。然后，我们表明，RQ可以使用两个讽刺和非讽刺，观察到的非讽刺（其他）使用的RQ经常在论坛上争论，并在推文中有说服力。我们提出了使用SVM和LSTM模型来区分RQ的这些使用的实验，这些模型代表语言特征和后级上下文，在论坛中，“讽刺”和“其他”的结果高达0.76 F1，在推文中，“讽刺”和“其他”的结果高达0.83 F1。我们补充我们的定量实验与深入表征的语言变异的RQ。
2017-09-15 cs.CL
Over a Decade of Social Opinion Mining: A Systematic Review
ADAPT Centre（ADAPT中心）；Dublin City University（都柏林城市大学）
社交媒体的受欢迎程度和重要性正在增加，因为人们使用它进行多种渠道的各种类型的社交互动。这篇系统性的综述集中在不断发展的社会意见挖掘研究领域，其任务是从用户生成的内容中识别多个意见维度，如主观性，情感极性，情感，影响，讽刺和讽刺，这些内容在多个社交媒体平台和各种媒体格式中表示，如文本，图像，视频和音频。通过社会意见挖掘，自然语言可以被理解为不同的意见方面，由人类表达。这有助于人工智能的发展，反过来又有助于推动几个现实世界的用例，如客户服务和决策。对社会意见挖掘研究进行了全面系统的回顾，该研究共发表了485项研究，时间跨度为2007年至2018年的12年。深入分析的重点是社交媒体平台，技术，社交数据集，语言，模态，工具和技术，以及其他方面的衍生。社会意见挖掘可以用于许多应用领域，从市场营销，广告和销售产品/服务管理，并在多个领域和行业，如政治，技术，金融，医疗保健，体育和政府。2018年以后社会意见挖掘的最新发展也与未来的研究方向一起提出，目的是在几个现实世界的应用中留下更广泛的学术和社会影响。
2021-07-06 cs.AI cs.CL
Impact of emoji exclusion on the performance of Arabic sarcasm detection models
Umm Al-Qura University（乌姆·库拉大学）；Texas A&M University-San Antonio（德克萨斯A&M大学圣安东尼奥分校）
本文研究从数据集中排除表情符号对阿拉伯语社交媒体讽刺检测模型性能的影响，通过适配和增强AraBERT预训练模型证明移除表情符号可显著提升检测准确率，并为阿拉伯语自然语言处理建立新基准。
2024-05-03 cs.CL cs.LG
SocialNLI: A Dialogue-Centric Social Inference Dataset
Johns Hopkins University（约翰霍普金斯大学）
本文提出SocialNLI，首个以对话为中心的社会推理数据集，用于评估和提升大型语言及推理模型在理解讽刺、反语等复杂社会现象方面的心理理论能力，并通过多步反事实推理进行评测。
2025-10-06 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
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
Parallel Deep Learning-Driven Sarcasm Detection from Pop Culture Text and English Humor Literature
National Institute of Electronics & Information Technology, Kolkata（印度国家电子与信息技术学院（加尔各答））；RCC Institute of Information Technology, Kolkata（RCC信息技术学院（加尔各答））
讽刺是一种复杂的方式包装任何immigrant真理，消息，甚至嘲笑在一个滑稽的方式。使用社交网络的通信的出现大量产生了新的社交途径。可以进一步说，幽默、讽刺、挖苦和机智是现代社会幽默的四辆战车。在本文中，我们手动提取的基准流行文化讽刺语料库，包含讽刺对话和独白讽刺词的分布特征。我们生成输入序列形成的加权向量从这样的话。我们进一步提出了四个并行的深度长短期网络（pLSTM）的合并，每个网络都有不同的激活分类器。这些模块的主要目的是成功地检测讽刺的文本语料库。我们提出的用于检测讽刺的模型在使用讨论的数据集进行训练时，训练准确率为98.95%。对比而言，在所有测试案例中，它在两篇精心挑选的古腾堡计划英语幽默文献上获得了最高的98.31%的总体验证准确率。我们的方法超越了以前的国家的最先进的几个讽刺语料库的作品，并在一个新的黄金标准的性能讽刺检测的结果。
2021-06-10 cs.AI cs.CL cs.SI
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
Spoken in Jest, Detected in Earnest: A Systematic Review of Sarcasm Recognition -- Multimodal Fusion, Challenges, and Future Prospects
Campus Fryslân, University of Groningen（格罗宁根大学弗里桑校区）
该综述首次聚焦基于语音的讽刺识别，梳理其从单模态到多模态的研究演进，分析数据集、特征提取与分类方法的现状及局限，指出跨文化多语言研究和多模态视角的未来方向。
2025-09-04 cs.CL
MuVaC: A Variational Causal Framework for Multimodal Sarcasm Understanding in Dialogues
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）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Beihang University（北京航空航天大学）
本文提出MuVaC框架，通过变分因果推理实现多模态讽刺检测与解释的联合优化，提升对话中讽刺理解的鲁棒性。
2026-03-28 cs.CL
Adapter-state Sharing CLIP for Parameter-efficient Multimodal Sarcasm Detection
Department of Computer Science（计算机科学系）；Engineering, Indian Institute of Technology Guwahati, India（工程系、印度理工学院瓜哇提学院、印度）
针对多模态讽刺检测中全量微调资源消耗高、现成PEFT方法效果不佳的问题，提出仅在上层插入适配器且引入适配器状态共享机制的AdS-CLIP框架，在两个基准上以更少参数取得更优效果。
2025-10-29 cs.CL
Improving Multimodal Classification of Social Media Posts by Leveraging Image-Text Auxiliary Tasks
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博公司）
本研究提出在微调多模态模型时联合使用图像-文本对比和图像-文本匹配两个辅助损失，以改进社交媒体帖子的多模态分类，在五个数据集上实现高达2.6个F1分数点的提升。
2024-02-03 cs.CL cs.LG cs.SI
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
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
Think Twice Before You Judge: Mixture of Dual Reasoning Experts for Multimodal Sarcasm Detection
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提）
针对多模态讽刺检测现有模型依赖浅层线索、难以捕捉深层逻辑的问题，提出融合内外部推理专家与自适应门控的MiDRE模型，在两个基准上性能优于基线，验证了外部推理依据的价值。
2025-10-29 cs.CL
Transfer Learning via Lexical Relatedness: A Sarcasm and Hate Speech Case Study
University of Southern California（南加州大学）
本文研究将讽刺识别作为预训练步骤对隐式及显式仇恨言论检测的迁移学习效果，通过两种训练策略在CNN+LSTM和BERT+BiLSTM模型上验证，证明讽刺预训练能显著提升多项检测指标。
2025-08-22 cs.CL cs.LG
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
Intermediate-Task Transfer Learning: Leveraging Sarcasm Detection for Stance Detection
University of Arkansas（阿肯色大学）
本文提出利用讽刺检测作为中间任务进行迁移学习，通过微调BERT和RoBERTa并拼接卷积BiLSTM与全连接层来提升社交媒体立场检测性能，有效减少了讽刺文本的误分类并提高了F1分数。
2025-03-05 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
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
Effectiveness of Data-Driven Induction of Semantic Spaces and Traditional Classifiers for Sarcasm Detection
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Università degli Studi di Trento（特伦托大学）；Università degli Studi di Palermo（巴勒莫大学）；Italian National Research Council（意大利国家研究委员会）
反语和讽刺是两种复杂的语言现象，广泛应用于日常语言，尤其是社交媒体，但它们代表了自动文本理解的两个严重问题。为了完成这项任务，许多标注语料库已经从多个来源中提取出来，并且似乎在不同的领域中以不同的方式传达讽刺。然而，很少有工作已经做了比较不同的方法之间的可用语料库。此外，通常情况下，每个作者收集和使用自己的数据集来评估自己的方法。在本文中，我们表明，讽刺检测可以通过应用经典的机器学习算法来处理输入文本的潜在语义空间中的子符号表示。主要结果是，我们的研究为讽刺检测问题建立了参考数据集和基线，可以为科学界测试新提出的方法提供服务。
2019-12-06 cs.CL cs.LG stat.ML
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
The Role of Conversation Context for Sarcasm Detection in Online Interactions
Rutgers University（罗格斯大学）；Columbia University（哥伦比亚大学）
用于讽刺检测的计算模型通常依赖于孤立的话语内容。然而，如果没有额外的语境，说话人的讽刺意图并不总是显而易见的。聚焦于社交媒体讨论，我们研究两个问题：（1）会话上下文的建模是否有助于讽刺检测和（2）我们是否可以理解会话上下文的哪一部分触发了讽刺回复。为了解决第一个问题，我们研究了几种类型的长短期记忆（LSTM）网络，它们可以对会话上下文和讽刺反应进行建模。我们证明了条件LSTM网络（Rocktaschel等人，2015），并且对上下文和响应具有句子级别注意力的LSTM网络优于仅读取响应的LSTM模型。为了解决第二个问题，我们对LSTM模型产生的注意力权重进行了定性分析，并将结果与人类在任务上的表现进行了比较。
2017-07-19 cs.AI cs.CL cs.LG
CFMS: Towards Explainable and Fine-Grained Chinese Multimodal Sarcasm Detection Benchmark
National Key Laboratory for Multimedia Information Processing（多媒体信息处理国家重点实验室）；Peking University School of Computer Science（北京大学计算机科学学院）；Peking University School of Software and Microelectronics（北京大学软件与微电子学院）
本文提出CFMS，首个针对中文社交媒体的细粒度多模态讽刺检测数据集，包含2796对高质量图像-文本对，提供三层次标注框架，并提出PGDS方法在关键任务中优于现有基线。
2026-03-23 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
Facebook Reaction-Based Emotion Classifier as Cue for Sarcasm Detection
National Tsing Hua University（国立清华大学）；Academia Sinica（中央研究院）
在线社交媒体用户根据上下文对内容做出反应。情绪或情绪在这些反应中起着重要作用，这使得这些平台充斥着固执己见的内容。正在不断开发更好地利用这些数据的不同方法和应用程序。然而，由于数据的性质、平台的多样性以及动态的在线用户行为，仍有许多问题需要处理。在发布评论之前从用户适当地获得可靠的情绪状态仍然是一个挑战。这项工作介绍了一种方法，探索半监督的多语言情感检测的基础上重叠的Facebook的反应和文本数据。与由此产生的情感检测系统，我们评估的可能性，使用情感和用户行为特征的任务的讽刺检测。从超过62，000个公共Facebook页面帖子中收集和处理了超过100万条英文和中文评论，进行的实验显示了可接受的性能指标。
2018-05-04 cs.CL cs.CY
