2021-08-25 多模态反讽识别系列文章阅读（二）

面对文本的反讽识别

---

1、论反讽的几种形式(文学层次)

参考《论反讽的几种形式》

反讽的基本特征是：字面意义与深层意义 不一致，即 言在此而意在彼，如它以反讽性褒扬予以责备，或者以反讽性责备予以褒扬，这一基本特征存在于反讽的各种变体形式之中。反讽称为一种思维、感情和表达的模式。

反讽的形式可分为：言语反讽，情景反讽和戏剧反讽。

• 言语反讽（较明显）—— 局部性矛盾
  在言语反讽中，说的是一回事，指的却是另外一回事。在言语反讽中不可避免地存在着表面意义和隐藏意义，语言外壳与真实意指之间的对照与矛盾就显得相当强烈和鲜明。进一步地，其大致包含四种情况：

  1. 反语 ：运用与本意正好相反的词语，达到特殊的修辞。
  2. 语境误置：“反讽，是承受语境的压力。”语境的压力会使得言语产生字面之外的潜台词。
  3. 悖逆语词并置（$\times$）：作品刻意通过典型的语义悖逆语词组合、交错、并置，使语词之间相互干扰、融合、冲突，借以形成反讽性，在语言的狂欢中扩大语言的张力。
  4. 句式与内容不和（$\times$）：句子形式与内容的不一致，这种不协调暗示了作者并不相信自己所说的话。

• 情景反讽（隐蔽性）—— 整体性矛盾

  1. 语调反讽（$\times$）：通过叙述态度、语调与叙事内容、表达旨意的相悖，形成具有反讽意味的叙述语调，从而更加突出了作者的真实表现意图。
  2. 视点反讽：通过异常叙述者的独特视角进行叙述，与人们所熟悉的惯常视角形成对照，产生反讽意义。
  3. 戏仿反讽（$\times$）：通过模仿别人的诗文而作的游戏文字或讽刺诗文。

• 戏剧反讽（$\times$）
  戏剧反讽来源于戏剧。它发挥作用在于观众（读者）的全知全能与剧中人的无知之间 的张力。在戏剧中，台下的观众知道事情的本末来由，但台上的人物却被蒙在鼓里，任由事情发展。反讽作品的故事是在两个层面上展开的，一个是叙述者或剧中人看到的表象，另一个是读者体味到的事实。通过表象与事实间的对立张力，产生强烈的艺术效果。二者的反差越大，反讽越鲜明。

2、反讽分类（研究层面）

反讽修辞的具体形式多种多样，依据反讽成因可将其分为三类，分别为：前后情感矛盾式反讽、情景反讽与其他反讽，其中第一类反讽占69.9%。基于上述分类，目前的研究可以分为基于内容（上下文无关）和基于上下文（上下文相关）两方面的反讽研究。

基于内容的反讽识别，又称为上下文无关的发讽识别，即不考虑识别目标句的上下文信息，仅仅从目标句本身出发判定其是否为反讽表达。

隐式情感包括：事实性隐式情感 和 修辞性隐式情感。反讽是一种修辞性隐式情感。

基于内容的反讽识别

假设：目标句是否反讽与上下文无关。
上下文无关的反讽识别任务可分为 “词对矛盾”模型和 “半句对矛盾”模型。
1. “词对矛盾”模型
简介：针对句中的矛盾词对使用词对注意力机制，通过计算句中任意两个词的注意力分数得到注意力分数矩阵。在此基础上，可得到包含任意两个词的矛盾程度信息的句子表示。 最后，在监督信号的作用下迫使模型特别留意句子中的矛盾词。

为了能够关注到前后不一致（矛盾）的词对，模型可以记录词对注意力分数，并绘制注意力分数热力图提升模型的可解释性。计算注意力分数的两种方法：
（1）max pooling （2）二次 attention
上述注意力分数与词对向量结合，生成句子表示。然后进入分类层进行分类。

2. “半句对矛盾”模型
简介：将一句话分成两个半句，针对句子前半句与后半句的矛盾性, 利用孪生神经网络模型对“半句对”建模, 模型通过检测 两个半句 的一致性推断是否为反讽。还可以在孪生神经网络的基础上加入注意力机制,从而使模型突出两个半句中的关键词。可以看出, 在某种程度上 “半句对矛盾” 模型是对“词对予盾”模型的一种改进, 即由单一词级别扩展到了多个词（半句）级别。

孪生神经网络
孪生神经网络可看作一种“连体”的神经网络，即两个结构类似的子网络共享权重。主要思想：将一对样本映射到同一个目标空间（主要是通过共享权重实现），然后利用常用的距离函数（如：欧氏距离，余弦距离等）进行相似性对比。
网络结构如下图所示：

孪生网络是一种重要的图像或文本相似性判定模型。模型的输入：一对文本，输出：类别（1或0）。常用于样本种类多且每个类别的样本数量都很少的情况。
在孪生网络的基础上增加 self-attention 机制，可以使得孪生网络的左右两个子网络可以有侧重的关注某些重点词，使得两个半句的向量表示更加紧凑。

对抗学习 研究团队：哈尔滨工业大学 徐睿峰

CNN+注意力机制（对抗样本，领域迁移的对抗学习）

基于上下文的反讽识别

假设：反讽修辞本身是一种与上下文相关的表达方式。上下文，广义上包括叙述人的语调、表情、肢体动作，当时的心里状态，文本在长文中的环境，文本的转发、回复、评论情况等。
原则上，使用上下文信息可以极大提升自动化反讽识别的准确率上限。
常考虑的上下文信息包括：

1. 用户信息（用户贝叶斯先验信息和用户写作风格信息）
2. 主题信息。

图文反讽识别

基本思路：

1. 表示层：分别学习文本和图像的特征表示
2. 融合层：双线性融合
3. 分类层：0/1分类

3、社交文本的特点

社交文本（Twitter）存在的问题及常见处理方式：

1. 口语化，语法错误，缩写，稀疏的一次性词(如：连续重复的字符或单词) ，可进行正则化处理。
2. 带有大量URL链接，可删除。
3. 标签或表情符号，常见的是使用 hashtag“#” 强调文本中关键部分或主题。可以将 hashtag“#” 拆分成单独的词。
4. Emoji 表情符，可将其替换成文本形式。
5. 稀疏的非法词汇会极大增加网络的词汇量，可将其删除。