CascadeNS：用于讽刺检测的置信度级联神经符号模型

产品评论中的讽刺检测需要平衡领域特定的符号模式识别与深层语义理解。符号表示捕捉对讽刺检测往往起决定性作用的显式语言现象。现有工作要么偏向可解释的符号表示，要么偏向语义神经建模，但很少能同时有效实现两者。先前的混合方法通常通过特征融合或集成来结合这两种范式，这可能会降低性能。我们提出 CascadeNS，一种置信度校准的神经符号架构，它通过选择性激活而非融合来整合符号与神经推理。符号半图以高置信度处理模式丰富的实例，而语义模糊的情况则基于预训练 LLM 嵌入委托给神经模块。CascadeNS 的核心是由极性加权半图分数导出的校准置信度度量。该度量可靠地确定符号推理何时足够、何时需要神经分析。在产品评论上的实验表明，CascadeNS 比强基线高出 7.44%。