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
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
Towards Multi-Modal Sarcasm Detection via Hierarchical Congruity Modeling with Knowledge Enhancement
City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）；University of Washington（华盛顿大学）
讽刺是一种语言现象，指的是字面意义和隐含意图之间的矛盾。由于其复杂的性质，通常很难从文本本身中检测出来。因此，多模态讽刺检测在学术界和工业界都受到了越来越多的关注。然而，大多数现有技术仅对文本输入及其伴随图像之间的原子级不一致进行建模，而忽略了两种模态的更复杂的组合。此外，他们忽视了外部知识中包含的丰富信息，例如，图片说明。本文提出了一种新的层次化的讽刺检测框架，通过探索基于多头交叉注意力机制的原子级一致性和基于图神经网络的成分级一致性，将一致性较低的帖子识别为讽刺。此外，我们利用各种知识资源的讽刺检测的效果。基于Twitter的公共多模态讽刺检测数据集上的评价结果表明了该模型的优越性。
2022-10-17 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
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
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
!Qué maravilla! Multimodal Sarcasm Detection in Spanish: a Dataset and a Baseline
Department of Digital Humanities（数字人文系）；University of Helsinki（赫尔辛基大学）
我们构建了有史以来第一个多模态讽刺西班牙语数据集。视听数据集由与视频和音频对齐的讽刺注释文本组成。该数据集代表了两种西班牙语，一种是拉丁美洲变体，另一种是半岛西班牙语变体，这确保了这种全球语言的方言覆盖范围更广。我们提出了几个模型的讽刺检测，将作为基线在未来的研究。我们的研究结果表明，仅使用文本的结果（89%）比将文本与音频相结合的结果（91.9%）更差。最后，当结合所有形式时获得最佳结果：文本，音频和视频（93.1%）。
2021-05-12 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
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
AraBERT and Farasa Segmentation Based Approach For Sarcasm and Sentiment Detection in Arabic Tweets
Flipkart Private Limited（Flipkart私人有限公司）
本文介绍了我们解决EACL WANLP-2021共享任务2：讽刺和情感检测的策略。其中一个子任务旨在开发一个系统，识别给定的阿拉伯语推文是否具有讽刺性质，而另一个子任务旨在识别阿拉伯语推文的情绪。我们分两步来完成这项任务。第一步涉及通过对文本的各个部分执行插入、删除和分割操作来预处理所提供的ArSarcasm-v2数据集。第二步是对两个基于Transformer的模型AraELECTRA和AraBERT的多种变体进行试验。我们最终的方法在讽刺和情感检测子任务中分别排名第七和第四。
2021-03-02 cs.CL
RCLMuFN: Relational Context Learning and Multiplex Fusion Network for Multimodal Sarcasm Detection
College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）
提出RCLMuFN网络，通过关系上下文学习与多路融合，捕捉文本-图像动态关系，提升多模态讽刺检测性能。
2024-12-17 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
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
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 Detection using Context Separators in Online Discourse
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；Netaji Subhas Institute of Technology（内塔吉·苏巴斯理工学院）
讽刺是一种复杂的言语形式，其含义是含蓄地传达的。作为一种复杂的表达形式，检测讽刺是一个艰巨的问题。识别讽刺的困难有很多陷阱，包括日常交流中的误解，这使得我们越来越关注自动讽刺检测。在第二版的比喻语言处理（FigLang 2020）研讨会中，讽刺检测的共享任务发布了两个数据集，包含来自Twitter和Reddit的响应及其上下文。在这项工作中，我们使用RoBERTa_large来检测两个数据集中的讽刺。我们进一步断言上下文的重要性，在提高性能的上下文词嵌入为基础的模型，通过使用三种不同类型的输入-响应，上下文响应，上下文响应（分离）。我们表明，我们提出的架构执行竞争力的两个数据集。我们还表明，在上下文和目标响应之间添加分离标记会导致Reddit数据集中F1分数提高5.13%。
2020-06-01 cs.CL cs.SI
HCIG: A Hierarchical Cross-Modal Incongruity Graph Network for Multimodal Sarcasm and Cyberbullying Detection
Delhi Technological University（德里理工大学）；Multimodal Data Analytics Research Laboratory（多模态数据分析研究实验室）
针对多模态讽刺和网络欺凌检测难题，提出HCIG框架，利用图注意力网络在不同层面建模跨模态不协调并整合，引入GCCN辅助推理。实验表明该方法在相关数据集上表现出色，分层多粒度建模比传统策略更有效。
2026-07-20 cs.AI cs.CL cs.CV
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
A Multimodal Corpus for Emotion Recognition in Sarcasm
IBM Research India（IBM印度研究院）；IIT Bombay（印度理工学院孟买分校）
虽然情绪和情感分析已经被广泛研究，但讽刺和情感之间的关系在很大程度上尚未被探索。一个讽刺的表达可能有各种潜在的情绪。例如，“我喜欢被忽视”掩盖了悲伤，而“我的手机是神话般的电池备份只有15分钟！“表达了沮丧检测讽刺表情背后的情感是一项重要的任务。我们承担的任务是在一个讽刺的声明中检测情感，据我们所知，这是迄今为止尚未探索过的。我们从最近发布的多模态讽刺检测数据集（MUSTARD）开始，预先注释了9种情绪。我们识别并纠正了343个不正确的情感标签（690个）。我们将数据集的大小加倍，用情绪以及情绪强度和唤醒度来标记它，这是情绪强度的重要指标。最后，我们将每一个讽刺话语标记为四种讽刺类型之一：命题式、嵌入式、前缀式和言外式，目的是推进讽刺检测研究。详尽的实验与多模态（文本，音频和视频）融合模型建立了一个基准，准确的情感识别讽刺和优于国家的最先进的讽刺检测。我们发布了包含各种注释的数据集和用于研究目的的代码：https://github.com/apoorva-nunna/MUStARD_Plus_Plus
2022-06-05 cs.CL
Multi-modal Sarcasm Detection and Humor Classification in Code-mixed Conversations
IIIT-Delhi（德里英迪拉·甘地信息技术学院）
讽刺检测和幽默分类本质上是微妙的问题，主要是由于它们依赖于上下文和非语言信息。此外，在这两个主题的现有研究通常是在非英语语言，如印地语，由于定性注释数据集的不可用的限制。在这项工作中，考虑到上述限制，我们做了两个主要贡献：（1）我们开发了一个印地语-英语代码混合数据集，MaSaC，用于会话对话中的多模态讽刺检测和幽默分类，据我们所知，这是同类数据集中的第一个;（2）我们提出了MSH-COMICS，一种新的注意力丰富的神经结构，用于话语分类。我们学习有效的话语表示利用层次注意力机制，参加一小部分的输入句子的时间。此外，我们将对话级上下文注意力机制，利用多模态分类的对话历史。我们进行了广泛的实验，这两个任务，通过不同的多模态输入和各种子模块的MSH-COMICS。我们还对现有方法进行了比较分析。我们观察到，MSH-COMICS达到优于现有模型的性能> 1 F1分数点的讽刺检测和10 F1分数点的幽默分类。我们诊断我们的模型，并对结果进行彻底的分析，以了解其优越性和缺陷。
2021-05-31 cs.CL
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
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
Yor-Sarc: A gold-standard dataset for sarcasm detection in a low-resource African language
University of Limerick（利默里克大学）
Yor-Sarc为低资源非洲语言的讽刺检测提供了首个黄金标准数据集，通过文化敏感的标注协议实现了高一致性，支持其他非洲语言的研究。
2026-02-21 cs.CL
Modelling Visual Semantics via Image Captioning to extract Enhanced Multi-Level Cross-Modal Semantic Incongruity Representation with Attention for Multimodal Sarcasm Detection
Delhi Technological University（德里理工大学）
本文提出一种多模态讽刺检测框架，通过引入图像描述作为补充模态，结合跨语言文本特征、自调节残差视觉特征及多级注意力与特征融合，在Twitter和MultiBully数据集上分别达到92.89%和64.48%的最佳准确率。
2024-08-05 cs.AI cs.CV
"Laughing at you or with you": The Role of Sarcasm in Shaping the Disagreement Space
Educational Testing Service（教育考试服务中心）；MindMeld, Cisco Systems（思科系统MindMeld部门）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
检测在线交互中的参数有助于了解冲突如何产生和解决。用户经常使用比喻性的语言，如讽刺，作为说服手段或攻击对手的广告人身攻击的论点。为了进一步理解讽刺在形成分歧空间中的作用，我们提出了一个彻底的实验设置，使用语料库注释的争论动作（同意/不同意）和讽刺。我们在以下方面利用联合建模：（a）将在检测讽刺中有用的离散特征应用于争论关系分类的任务（同意/不同意/无），以及（b）使用深度学习架构（例如，双长短期记忆（LSTM），具有分层注意力和基于transformer的架构）。我们证明，建模讽刺提高了所有设置中的争论关系分类任务（同意/不同意/无）。
2021-01-26 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
A Dual-Channel Framework for Sarcasm Recognition by Detecting Sentiment Conflict
University of Chinese Academy of Sciences（中国科学院大学）；Nanyang Technological University（南洋理工大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
讽刺使用矛盾心理，一个人说一些积极的事情，但实际上意味着消极，反之亦然。讽刺的实质是一句话中所表达的字面意思和隐含意思的冲突，这也是讽刺的充分必要条件。然而，这种情感冲突很难识别，因为情感是混合的，甚至是隐含的。因此，对复杂、模糊情感的识别给讽刺检测带来了巨大的挑战。在本文中，我们提出了一个双通道框架，分别建模字面和隐含的情绪。在此双通道框架的基础上，我们设计了双通道网络DC-Net来识别情感冲突。在政治辩论（即IAC-V1和IAC-V2）和Twitter数据集上的实验表明，我们提出的DC-Net在讽刺识别方面达到了最先进的性能。我们的代码被发布以支持研究。
2022-04-28 cs.CL
DocMSU: A Comprehensive Benchmark for Document-level Multimodal Sarcasm Understanding
Beijing University of Posts and Telecommunications（北京邮电大学）；Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）
针对文档级新闻中讽刺线索稀疏且隐蔽的问题，提出包含102,588条图文新闻、覆盖9个主题的DocMSU基准，并引入细粒度对齐方法作为基线，实验验证其有效性。
2023-12-26 cs.CL cs.MM
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
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
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
Nek Minit: Harnessing Pragmatic Metacognitive Prompting for Explainable Sarcasm Detection of Australian and Indian English
University of New South Wales（新南威尔士大学）
本研究针对地域英语变体讽刺检测的难点，提出利用实用元认知提示（PMP）实现可解释讽刺检测，在澳、印英语及标准英语数据集上验证了其相比其他提示策略的显著性能提升。
2025-10-30 cs.AI cs.CL
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
Was that Sarcasm?: A Literature Survey on Sarcasm Detection
本文通过文献综述梳理讽刺检测任务面临的问题、现有解决方法及可用数据集类型，以呈现该自然语言处理领域的研究现状。
2024-11-30 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
Sarc7: Evaluating Sarcasm Detection and Generation with Seven Types and Emotion-Informed Techniques
Algoverse AI Research（Algoverse AI研究院）
提出Sarc7基准，将MUStARD数据集标注为七种讽刺类型，并通过零样本、少样本、思维链及新型情感提示技术进行分类评估，同时开发基于情感的生成方法，实验表明情感提示技术优于其他设置。
2026-06-23 cs.AI cs.CL
Commander-GPT: Fully Unleashing the Sarcasm Detection Capability of Multi-Modal Large Language Models
本文提出受军事指挥启发的多模态框架 Commander-GPT，将讽刺检测分解为六个子任务并由中央指挥官分配最适大模型，在无需微调的情况下于 MMSD 系列数据集上实现 F1 提升 19.3% 的最优性能。
2025-07-03 cs.AI cs.CL
Sarcasm Detection as a Catalyst: Improving Stance Detection with Cross-Target Capabilities
University of Arkansas（阿肯色大学）
本文通过将讽刺检测作为中间迁移学习任务，结合BERT和RoBERTa模型微调及深度学习层拼接，有效解决了立场检测中因讽刺语言导致的误分类及跨目标数据不足问题，显著提升了模型宏F1分数并建立了基础基线。
2025-03-05 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
Context-Aware Pragmatic Metacognitive Prompting for Sarcasm Detection
Computer Science Department（计算机科学系）；School of Computer Science（计算机科学学院）；Bina Nusantara University（宾努斯大学）
本文提出一种基于检索的元认知修辞提示方法，通过整合上下文信息提升LLMs在讽刺检测中的性能，实验显示在多个数据集上均取得显著提升。
2025-11-26 cs.AI cs.CL
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
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
Attentional Multi-Reading Sarcasm Detection
Oregon State University（俄勒冈州立大学）
识别讽刺通常需要深入了解多种信息来源，包括话语，对话上下文和现实世界的事实。目前的大多数讽刺检测系统只考虑孤立的话语。有一些有限的尝试考虑到会话上下文。在本文中，我们提出了一个可解释的端到端模型，结合信息的话语和会话背景下检测讽刺，并通过实证评估证明其有效性。我们还研究了所提出的模型的行为，为模型的决策提供解释。重要的是，我们的模型能够确定话语和会话背景对模型决策的影响。最后，我们提供了一个消融研究来说明所提出的模型的不同组件的影响。
2018-09-09 cs.AI cs.CL cs.LG
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 GAN and LLM-Driven Data Augmentation Framework for Dynamic Linguistic Pattern Modeling in Chinese Sarcasm Detection
School of Cyber Science and Engineering, Sichuan University（四川大学网络空间安全学院）；State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University（浙江大学流体动力与机电系统国家重点实验室）；Law School, Sichuan University（四川大学法学院）
本文提出基于GAN和LLM的数据增强框架，动态建模用户语言模式以提升中文讽刺检测效果，通过合成SinaSarc数据集并扩展BERT架构，实验表明模型在非讽刺和讽刺类别中均取得最高F1分数。
2026-04-09 cs.AI 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
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
A big data approach towards sarcasm detection in Russian
Plekhanov Russian University of Economics（俄罗斯普列汉诺夫经济大学）
本文提出俄语词形变化与文本合成的确定性算法，并通过公开 web 服务实现，依托 OpenCorpora 评估其性能及俄语词类形态复杂性。
2023-06-01 cs.AI cs.CL
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
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
Harnessing Cognitive Features for Sarcasm Detection
Indian Institute of Technology Bombay（印度理工学院孟买分校）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；IBM Research（IBM研究院）
在本文中，我们提出了一种新的机制，丰富的特征向量，讽刺检测的任务，从人类读者的眼动模式提取的认知特征。讽刺检测一直是一个具有挑战性的研究问题，其对于评论摘要、对话系统和情感分析等NLP应用的重要性已得到广泛认可。讽刺通常可以追溯到不协调，随着整个句子的展开而变得明显。这种不协调的存在--无论是隐含的还是明确的--都会影响读者的眼睛在文本中移动的方式。我们观察眼睛的行为的差异，而阅读讽刺和非讽刺的句子。基于他的观察，我们利用从读者眼动数据中获得的认知特征来增强传统的语言和文体特征。我们使用这样获得的增强特征集进行统计分类。增强的认知功能提高讽刺检测3.7%（F分数），在最好的报告系统的性能。
2017-01-19 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
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
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
