面向个性化幽默识别的联邦学习

幽默的计算理解是创造性语言理解与建模中的重要课题，可在复杂的人机交互中发挥关键作用。此处的挑战在于，人类对幽默内容的感知具有高度主观性。同一个笑话可能从不同读者处获得不同的有趣度评分。这使得幽默识别模型在实际场景中实现个性化极具挑战。现有方法通常基于用户对已给文本是否幽默存在共识的假设而设计，因而难以妥善处理多样化的幽默偏好。本文中，我们提出 FedHumor 方法，通过联邦学习(FL)以个性化方式识别幽默内容。FedHumor 扩展预训练语言模型，在微调过程中考虑来自个体的多样化幽默偏好分布，将多样性适应策略纳入联邦学习范式以训练个性化幽默识别模型。据我们所知，FedHumor 是首个基于文本的、通过联邦学习的个性化幽默识别模型。大量实验表明，相较于九种最先进的幽默识别方法，FedHumor 在识别幽默文本方面具有优势，且对具有不同偏好的用户所产生的多样化幽默标签具备更优的处理能力。