[论文解读] Computational Sarcasm Analysis on Social Media: A Systematic Review

Faria Binte Kader, Nafisa Hossain Nujat+4 more|arXiv (Cornell University)|Sep 13, 2022

Sentiment Analysis and Opinion Mining被引用 4

一句话总结

本篇系统综述综合了社交媒体中计算讽刺检测的最新进展，聚焦于英语语料库、特征、方法论及挑战。评估了深度学习与基于变压器（transformer）的模型，强调了上下文特征和多模态特征的日益广泛应用，并提供了数据集、特征及性能指标的对比表格，以指导未来在讽刺检测与情感分析领域的研究。

ABSTRACT

Sarcasm can be defined as saying or writing the opposite of what one truly wants to express, usually to insult, irritate, or amuse someone. Because of the obscure nature of sarcasm in textual data, detecting it is difficult and of great interest to the sentiment analysis research community. Though the research in sarcasm detection spans more than a decade, some significant advancements have been made recently, including employing unsupervised pre-trained transformers in multimodal environments and integrating context to identify sarcasm. In this study, we aim to provide a brief overview of recent advancements and trends in computational sarcasm research for the English language. We describe relevant datasets, methodologies, trends, issues, challenges, and tasks relating to sarcasm that are beyond detection. Our study provides well-summarized tables of sarcasm datasets, sarcastic features and their extraction methods, and performance analysis of various approaches which can help researchers in related domains understand current state-of-the-art practices in sarcasm detection.

研究动机与目标

• 为社交媒体中计算讽刺检测的最新趋势与方法论提供全面概述。
• 识别并分类讽刺检测研究中使用最相关的数据集、特征及特征提取技术。
• 分析各种检测方法（包括深度学习与基于变压器的模型）的性能，并比较其有效性。
• 探讨当前讽刺检测系统中上下文理解、实时处理以及多模态整合不足等挑战。
• 超越检测本身，探讨相关研究方向，如情感分析、意见挖掘以及多模态环境中的讽刺。

提出的方法

• 对2006年至2022年间发表的计算讽刺检测同行评审研究进行了系统性文献回顾。
• 根据来源（如Twitter、Reddit、TheOnion）、标注方法（如标签符号、人工标注）和规模对数据集进行分类与分析。
• 将讽刺检测特征划分为词汇、句法、语义、上下文及多模态类别，并对每类提供详细的提取技术说明。
• 评估检测方法论，包括基于规则的系统、机器学习模型以及深度学习架构（如CNN-LSTM和基于BERT的变压器）。
• 绘制讽刺检测技术随时间的演变轨迹，突出从传统NLP向预训练变压器模型的转变。
• 提供对比表格，总结数据集统计信息、特征类型与提取方法，以及不同基准测试下的模型性能。

实验结果

研究问题

• RQ1 在社交媒体讽刺检测中，最常使用的特征与数据集类型是什么？
• RQ2 过去十年间，讽刺检测的方法论如何演变，特别是在深度学习与变压器模型兴起的背景下？
• RQ3 当前阻碍真实社交媒体环境中高精度讽刺检测的主要挑战与局限是什么？
• RQ4 除了检测之外，讽刺分析的其他研究方向有哪些，例如上下文理解或多模态讽刺检测？

主要发现

• 基于变压器的模型，尤其是BERT及其变体，已成为讽刺检测的主导方法，显著优于早期的基于规则和传统机器学习方法。
• 上下文特征（如对话历史、作者信息、帖子序列）已被证明可提高检测准确率，尤其在序列性与对话式讽刺中效果显著。
• 多模态讽刺检测（整合文本、图像与表情符号）已成为一个有前景但尚未充分探索的方向，目前数据集有限，且各研究间性能不一致。
• 尽管技术不断进步，实时讽刺检测仍是重大挑战，仅有少数研究（如Bharti et al. 2016）展示了利用Hadoop与MapReduce实现可扩展处理，使140万条推文的处理时间减少了66%。
• 在新闻标题数据集（如TheOnion）上微调预训练模型，并将其迁移至社交媒体数据，显示出提升在低资源领域泛化能力与性能的潜力。
• 缺乏标准化基准、标注实践不一致，以及高质量、多样化数据集的有限可用性，仍是制约该领域可复现性与进展的关键障碍。