Investigations in Computational Sarcasm

این کتاب بررسی‌های نویسندگان درباره طعنه محاسباتی را بر اساس مفهوم ناسازگاری توصیف می‌کند. علاوه بر این، دیدی کل نگر از کار گذشته در طعنه محاسباتی و چالش ها و فرصت های پیش رو ارائه می دهد. متن طعنه آمیز شکلی خاص از بیان احساسات است و طعنه محاسباتی به تکنیک های محاسباتی اشاره دارد که متن طعنه آمیز را پردازش می کند. برای اولین بار درک پدیده طعنه، سه مطالعه انجام شده است: (الف) چگونه حاشیه نویسی کنایه زمانی که توسط حاشیه نویسان غیر بومی انجام می شود، تحت تاثیر قرار می گیرد؟ (ب) وقتی وظیفه تمایز بین طعنه و کنایه است، حاشیه نویسی کنایه چگونه تحت تأثیر قرار می گیرد؟ و (ج) آیا اهداف طعنه توسط انسان و رایانه قابل شناسایی است. به دنبال این مطالعات، کتاب رویکردهایی را برای دو مشکل تحقیقاتی پیشنهاد می‌کند: تشخیص طعنه و تولید طعنه. برای تشخیص طعنه، ناهماهنگی به دو صورت تشخیص داده می‌شود: «ناهمخوانی درون متنی» که در آن نویسندگان به ناهماهنگی درون متنی که قرار است طبقه‌بندی شود نگاه می‌کنند (مثلاً متن هدف) و «ناهمخوانی زمینه» که در آن نویسندگان اطلاعات خارج از متن هدف را ترکیب می‌کنند. این رویکردها از تکنیک‌های یادگیری ماشینی مانند طبقه‌بندی‌کننده‌ها، مدل‌های موضوعی، برچسب‌گذاری توالی و جاسازی کلمات استفاده می‌کنند. این رویکردها در سطوح چندگانه عمل می‌کنند: (الف) ناسازگاری احساسات (براساس آمیزه‌های احساسات)، (ب) ناسازگاری معنایی (بر اساس فاصله جاسازی کلمه)، (ج) ناسازگاری مدل زبان (بر اساس مدل زبان غیرمنتظره)، (د) ناسازگاری نویسنده بافت تاریخی (براساس متن گذشته نویسنده)، و (ه) زمینه مکالمه (بر اساس نشانه های مکالمه). در بخش دوم کتاب، نویسندگان اولین تکنیک شناخته شده برای تولید طعنه را ارائه می‌کنند که از رویکردی مبتنی بر الگو برای ایجاد پاسخی طعنه‌آمیز به ورودی کاربر استفاده می‌کند. این کتاب منبع ارزشمندی برای محققانی است که بر روی تجزیه و تحلیل احساسات کار می‌کنند، به‌ویژه در مورد اتوماسیون در رسانه‌های اجتماعی.

This book describes the authors’ investigations of computational sarcasm based on the notion of incongruity. In addition, it provides a holistic view of past work in computational sarcasm and the challenges and opportunities that lie ahead. Sarcastic text is a peculiar form of sentiment expression and computational sarcasm refers to computational techniques that process sarcastic text. To first understand the phenomenon of sarcasm, three studies are conducted: (a) how is sarcasm annotation impacted when done by non-native annotators? (b) How is sarcasm annotation impacted when the task is to distinguish between sarcasm and irony? And (c) can targets of sarcasm be identified by humans and computers. Following these studies, the book proposes approaches for two research problems: sarcasm detection and sarcasm generation. To detect sarcasm, incongruity is captured in two ways: ‘intra-textual incongruity’ where the authors look at incongruity within the text to be classified (i.e., target text) and ‘context incongruity’ where the authors incorporate information outside the target text. These approaches use machine-learning techniques such as classifiers, topic models, sequence labelling, and word embeddings. These approaches operate at multiple levels: (a) sentiment incongruity (based on sentiment mixtures), (b) semantic incongruity (based on word embedding distance), (c) language model incongruity (based on unexpected language model), (d) author’s historical context (based on past text by the author), and (e) conversational context (based on cues from the conversation). In the second part of the book, the authors present the first known technique for sarcasm generation, which uses a template-based approach to generate a sarcastic response to user input. This book will prove to be a valuable resource for researchers working on sentiment analysis, especially as applied to automation in social media.