Augmenting emotion features in irony detection with Large language modeling

这项研究介绍了一种新颖的讽刺检测方法，应用了基于提示学习的大型语言模型（LLMs）来促进以情感为中心的文本增强。传统的讽刺检测技术通常由于依赖静态语言特征和预定义的知识库而不足，往往忽视了讽刺中不可或缺的微妙情感维度。相比之下，我们的方法通过将经过LLMs增强的微妙情感提示集成到三个广泛认可为讽刺检测基础的预训练NLP模型（BERT、T5和GPT-2）中，增强了检测过程。我们使用SemEval-2018任务3数据集评估了我们的方法，并观察到讽刺检测能力的显著提高。

本论文旨在解决讽刺检测中常见的问题，即传统方法过于依赖静态语言特征和预定义的知识库，忽略了讽刺中微妙的情感维度。作者提出了一种新的方法，将大型语言模型与基于提示的学习相结合，以促进情感中心的文本增强，从而改进讽刺检测能力。

本论文的关键思路是通过集成微妙的情感线索来增强讽刺检测过程，使用大型语言模型来实现情感中心的文本增强，将其应用于三个基准预训练NLP模型，即BERT、T5和GPT-2，从而改进讽刺检测能力。

本论文通过实验评估了其方法，并使用SemEval-2018任务3数据集观察到了显著的讽刺检测能力改进。值得关注的是，作者的方法在情感维度上进行了增强，这是传统方法所没有的。此外，作者还提供了开源代码供其他研究者使用。

最近在这个领域中，还有一些相关研究，如：1. 讽刺检测中的情感分析和情感识别（Emotion Analysis and Recognition in Irony Detection）；2. 基于深度学习的讽刺检测（Irony Detection Based on Deep Learning）。