基于世界模型的大语言模型智能体讽刺推理
计算与语言
2026-05-01 v1
摘要
讽刺理解是自然语言处理中的一个具有挑战性的问题，因为它需要捕捉话语表面意义与说话者意图之间的差异，以及周围的社交语境。尽管深度学习和大型语言模型(LLM)的最新进展显著提升了性能，但大多数现有方法仍然依赖单一模型的黑箱预测，使得难以从结构上解释讽刺背后的认知因素。此外，虽然讽刺通常表现为语义评估与规范期望或意图之间的不匹配，但明确分解和建模这些成分的框架仍然有限。在这项工作中，我们将讽刺理解重新表述为世界模型启发的推理过程，并提出了世界模型启发讽刺推理(WM-SAR)，它将字面意义、语境、规范期望和意图分解为专门的LLM智能体。字面评估与规范期望之间的差异被明确量化为确定性不一致分数，并与意图分数一起，通过轻量级逻辑回归模型整合以推断最终的讽刺概率。该设计利用了LLM的推理能力，同时保持了可解释的数值决策结构。在代表性讽刺检测基准上的实验表明WM-SAR持续优于现有的深度学习和基于LLM的方法。消融研究和案例分析进一步证明，整合语义不一致和意图推理对于有效的讽刺检测至关重要，在实现强劲性能的同时也具有高可解释性。
引用
@article{arxiv.2512.24329,
title = {World model inspired sarcasm reasoning with large language model agents},
author = {Keito Inoshita and Shinnosuke Mizuno},
journal= {arXiv preprint arXiv:2512.24329},
year = {2026}
}