編者按：NTU研究人員Soujanya Poria等提出了一個組合模型，基于預訓練的卷積神經網絡提取情感、情緒、個性特征，以進行諷刺檢測。NTHU PhD學生Elvis Saravia簡明扼要地總結了論文的主要思路。

概覽

這篇論文使用基于卷積神經網絡（CNN）的組合模型處理NLP任務諷刺檢測（sarcasm detection）。諷刺檢測對情感檢測和情感分析等領域而言十分重要，因為這一表達將翻轉句子的極性。

例子

人們可以認為諷刺用來挖苦或奚落。比如“是你還是我該吃藥了”、“我每周工作40小時才這么窮”。（examples.yourdictionary.com上有更多例子。）

挑戰

理解和檢測諷刺很重要的一點就是理解關于事件的事實。這讓我們可以檢測客觀極性（通常是負面的）和作者的諷刺特征（通常是正面的）之間的反差。

考慮以下例子，“我愛分手之苦”，很難從中提取檢測其中是否存在諷刺的知識。例子中的“我愛其苦”提供了作者表達的情感的知識（在這個例子中是正面的），而“分手”描述了一個相反的情感（負面）。

諷刺語句中的其他挑戰包括指代多個事件，以及提取大量事實、常識、指代解析、邏輯推理。論文的作者依靠CNN從諷刺語料庫中自動學習特征。

貢獻

將深度學習應用于諷刺檢測

利用用戶簡介、情緒、情感特征進行諷刺檢測

應用預訓練模型自動提取特征

模型

情感轉移（sentiment shifting）在牽涉諷刺的交流中很常見。因此，論文作者首先訓練基于CNN訓練一個情感模型學習情感特定的特征提取。模型在低層學習局部特征，之后在高層轉換為全局特征。作者發現諷刺表達和用戶相關——某些用戶比其他用戶發布更多諷刺性內容。

作者提出的框架整合了基于用戶個性的特征，情感特征，基于情緒的特征。每組特征通過獨立的模型學習，成為從數據集中提取諷刺相關特征的預訓練模型。

CNN框架

CNN能夠有效地建模局部特征以學習更全局的特征，本質上，這是在學習上下文（learn context）。句子使用詞向量（嵌入）表示（基于Google的word2vec向量）。使用了非靜態表示，因此，詞向量的參數在訓練階段學習。接著，在特征映射上應用最大池化，以生成特征。然后是softmax層及全連接層，以輸出最終預測。（見下圖）

為了得到其他特征——情感（S）、情緒（E）、個性（P）——預訓練了CNN模型，并使用這些預訓練模型從諷刺數據集中提取特征。訓練每個模型使用了不同的訓練數據集。（參考論文了解更多細節）

測試了兩個分類器——一個CNN分類器（CNN）和一個SVM分類器（CNN-SVM，使用CNN提取的特征作為輸入）。

另外還訓練了一個基線分類器（B）——僅僅使用CNN模型，沒有結合其他模型（情緒、情感等）。

試驗

數據為均衡和失衡的諷刺推文數據集，取自Ptacek等2014年的工作和The Sarcasm Detector。移除了用戶名、URL、#標記，使用了NLTK Twitter Tokenizer。（參考論文了解更多細節）

下表顯示了CNN和CNN-SVM分類器的表現。我們可以觀測到結合了諷刺特征、情感特征、情緒特征、個性特征的模型（特別是CNN-SVM）的表現超過了其他模型。

B = 基線，S = 情感，E = 情緒， P = 個性。所有試驗使用了五折交叉驗證

下表則是與當前最先進模型（第一行）和另一個知名的諷刺檢測模型（第二行）的比較。同樣，論文提出的模型的表現超過了其他模型。

D3 => D1意為在數據集3上訓練，在數據集1上測試

論文測試了模型的概括能力，主要的發現是如果數據集本質上很不相同，會顯著影響結果。（見下圖基于PCA可視化的數據集）。例如，在數據集1上訓練，然后在數據集3上測試，模型的F1評分為33.05%.

結論

總體而言，論文作者發現諷刺高度依賴主題，并且高度上下文相關。因此，情感和其他上下文線索有助于從文本中檢測諷刺。使用預訓練的情感、情緒、個性模型從文本中捕捉上下文信息。

手工構造的特征（例如，n元語法），盡管某種程度上有助于諷刺檢測，會產生非常稀疏的特征向量表示。因此，使用詞嵌入作為輸入特征。