[论文解读] "President Vows to Cut Hair": Dataset and Analysis of Creative Text Editing for Humorous Headlines
本文介绍 Humicroedit，这是一个包含 15,095 条经编辑的新闻标题的数据集，旨在生成幽默，分析幽默生成策略，并构建基线幽默检测模型。
We introduce, release, and analyze a new dataset, called Humicroedit, for research in computational humor. Our publicly available data consists of regular English news headlines paired with versions of the same headlines that contain simple replacement edits designed to make them funny. We carefully curated crowdsourced editors to create funny headlines and judges to score a to a total of 15,095 edited headlines, with five judges per headline. The simple edits, usually just a single word replacement, mean we can apply straightforward analysis techniques to determine what makes our edited headlines humorous. We show how the data support classic theories of humor, such as incongruity, superiority, and setup/punchline. Finally, we develop baseline classifiers that can predict whether or not an edited headline is funny, which is a first step toward automatically generating humorous headlines as an approach to creating topical humor.
研究动机与目标
- 创建一个公开可用的、对标题进行简短、单词级别编辑以引发幽默的数据集。
- 分析微编辑如何与经典幽默理论（不一致性、设置/ punchline、优越感）相关联。
- 识别最大化幽默潜力的编辑策略和词汇聚类。
- 开发基线分类器以预测编辑后的标题是否搞笑。
- 探索自动化幽默标题生成与个性化的影响与意义。
提出的方法
- 收集原始基于 Reddit 的标题，并使用训练有素的编辑者对其进行小幅、单词级编辑（微编辑）。
- 请五位评审对编辑后的标题进行标注，以获得平均搞笑度分数。
- 通过理论、词距、设置/ punchline 位置以及词聚类分析，定量分析幽默。
- 训练非神经网络基线（逻辑回归、随机森林、SVM）和神经网络基线（双向 LSTM）来利用编辑后的标题预测搞笑度。
- 在不同数据划分下评估分类器，以评估极端情况和整体性能。
实验结果
研究问题
- RQ1哪些类型的微编辑能可靠地产生幽默标题？
- RQ2幽默理论（不一致性、设置/ punchline、优越感）如何在微编辑的标题中体现？
- RQ3仅基于标题文本，机器学习模型能否预测编辑后的标题是否搞笑？
- RQ4替换不同词性（名词/动词与实体）如何影响幽默检测性能？
- RQ5在从标题构建幽默数据集的过程中存在哪些局限与挑战，编辑者/评审对可靠性有何影响？
主要发现
- Humicroedit 含有 15,095 条编辑后的标题，以及五位评审的平均搞笑度分数。
- 较长的标题往往比非常短的标题具有更高的幽默潜力。
- 替换词与新增词之间的不一致性与幽默相关，尤其在极端搞笑的案例中。
- 设置/ punchline 模式在编辑者偏好后期词汇替换时更易产生更搞笑的结果。
- 替换词聚类揭示了在服装、性、食品、侮辱等类别中的幽默策略。
- 使用 GloVe 嵌入的基线 LSTM 模型在某些划分上对搞笑/非搞笑的分类准确率约为 68.54%，优于非神经基线。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。