Detecting Emotional Incongruity of Sarcasm by Commonsense Reasoning

要約

この論文は皮肉の検出に焦点を当てており、与えられた発言が文字通りの意味とは反対の批判、嘲笑、またはその他の否定的な感情を伝えているかどうかを識別することを目的としています。
皮肉を検出するために、人間は多くの場合、発言の意味論を包括的に理解する必要があり、さらには外部の常識に頼って細かい違和感を推測することもあります。
しかし、既存の手法には、現実世界の複雑なシナリオに直面した場合に常識的な推論能力が欠けており、満足のいくパフォーマンスが得られません。
この問題に対処するために、我々は、EICR と呼ばれる、常識拡張に基づいて違和感を推論する、皮肉検出のための新しいフレームワークを提案します。
具体的には、まず、欠落しているが不可欠な常識的な背景知識を補うために、検索拡張された大規模言語モデルを採用します。
複雑な文脈上の関連性を捉えるために、依存関係グラフを構築し、グラフの改良を通じて最適化されたトポロジを取得します。
さらに、感情に一貫性のないサブグラフを明示的に抽出するために、以前のルールを統合する適応推論スケルトンを導入します。
単語とラベルの間の誤った関係の可能性を排除するために、敵対的対比学習を採用して検出器の堅牢性を強化します。
5 つのデータセットに対して行われた実験により、EICR の有効性が実証されました。

要約(オリジナル)

This paper focuses on sarcasm detection, which aims to identify whether given statements convey criticism, mockery, or other negative sentiment opposite to the literal meaning. To detect sarcasm, humans often require a comprehensive understanding of the semantics in the statement and even resort to external commonsense to infer the fine-grained incongruity. However, existing methods lack commonsense inferential ability when they face complex real-world scenarios, leading to unsatisfactory performance. To address this problem, we propose a novel framework for sarcasm detection, which conducts incongruity reasoning based on commonsense augmentation, called EICR. Concretely, we first employ retrieval-augmented large language models to supplement the missing but indispensable commonsense background knowledge. To capture complex contextual associations, we construct a dependency graph and obtain the optimized topology via graph refinement. We further introduce an adaptive reasoning skeleton that integrates prior rules to extract sentiment-inconsistent subgraphs explicitly. To eliminate the possible spurious relations between words and labels, we employ adversarial contrastive learning to enhance the robustness of the detector. Experiments conducted on five datasets demonstrate the effectiveness of EICR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google