迈向多模态讽刺检测（一篇_显然_完美的论文）
计算与语言
2019-06-06 v1 计算机视觉与模式识别
摘要
讽刺常通过若干言语与非言语线索表达，例如语调变化、某词的过度强调、拖长的音节或面无表情。近期大多数讽刺检测工作基于文本数据展开。本文认为，融入多模态线索可改进讽刺的自动分类。作为实现多模态讽刺检测方法发展的第一步，我们提出一个新的讽刺数据集——多模态讽刺检测数据集（MUStARD），其编译自热门电视节目。MUStARD 由标注了讽刺标签的音视频话语组成。每句话语均附带对话中的历史话语上下文，提供话语发生场景的额外信息。我们的初步结果表明，与仅使用单一模态相比，使用多模态信息可将讽刺检测的 F-score 相对错误率降低至多 12.9%。完整数据集已公开供使用：https://github.com/soujanyaporia/MUStARD
引用
@article{arxiv.1906.01815,
title = {Towards Multimodal Sarcasm Detection (An _Obviously_ Perfect Paper)},
author = {Santiago Castro and Devamanyu Hazarika and Verónica Pérez-Rosas and Roger Zimmermann and Rada Mihalcea and Soujanya Poria},
journal= {arXiv preprint arXiv:1906.01815},
year = {2019}
}
备注
Accepted at ACL 2019