基于矛盾引导门控对比注意力与上下文理解网络的讽刺检测新方法

《Neurocomputing》：Sarcasm detection via incongruity-guided gated contrast-attention and contextualized-understanding network

本文提出门控对比-注意力上下文理解（GCACU）网络，通过双路径架构整合对比语义学习与深度上下文理解，采用门控机制动态融合词汇级矛盾（incongruity）和篇章级语境信息。在Twitter SemEval-2018数据集上F1值达77.0%（提升0.7%），在IAC-V1/V2数据集分别达到67.64%和82.66%。消融实验验证门控系统对性能提升的关键作用，为情感分析（sentiment analysis）和意见挖掘（opinion mining）提供新思路。

　　

Highlight

讽刺检测通过矛盾引导的门控对比注意力与上下文理解网络实现突破性进展，其核心在于捕捉字面表达与语境含义之间的语义失衡（semantic incongruity）。

Methodology

本研究提出门控对比-注意力上下文理解（GCACU）模型，其架构如图1所示。该模型通过捕获核心词汇间的语义冲突（semantic conflicts），并整合深度上下文表征（contextualized representations），从而有效建模语义矛盾以检测讽刺。

图2展示了GCACU的双路径神经框架：对比注意力路径量化关键词对间的冲突，上下文理解路径则利用ELMo增强的双向GRU（Bi-GRU）网络捕捉深层语境信息。分层门控系统（hierarchical gating system）动态融合两类表征，实现词汇级矛盾与篇章级语境的协同学习。

Experiments and evaluation

本节首先介绍实验数据集与评估指标，随后将GCACU模型与现有方法进行性能对比，并对先进模型机制展开详细阐释。

Conclusion and future work

GCACU模型基于语义矛盾理论框架，创新性地融合了对比注意力网络与ELMo+Bi-GRU的上下文理解网络。门控机制通过动态融合组件，实现了词汇冲突与语境信息的自适应学习，为讽刺分析提供了可解释性强的解决方案。