Analyse von Sarkasmus unter Verwendung des Gesprächskontexts

Computergestützte Modelle zur Erkennung von Sarkasmus basieren oft isoliert auf dem Inhalt von Äußerungen. Die sarkastische Absicht des Sprechers ist jedoch nicht immer ohne zusätzlichen Kontext ersichtlich. Fokussiert auf soziale Medien-Diskussionen untersuchen wir drei Fragestellungen: (1) Hilft das Modellieren des Gesprächskontexts bei der Sarkasmuserkennung? (2) Können wir den Teil des Gesprächskontexts identifizieren, der die sarkastische Antwort ausgelöst hat? und (3) Können wir bei einem sarkastischen Beitrag, der mehrere Sätze enthält, den spezifischen Satz identifizieren, der sarkastisch ist? Zur Beantwortung des ersten Themas untersuchen wir verschiedene Arten von Long Short-Term Memory (LSTM)-Netzwerken, die sowohl den Gesprächskontext als auch die aktuelle Gesprächsrunde modellieren können. Wir zeigen, dass LSTM-Netzwerke mit satzübergreifender Aufmerksamkeit auf Kontext und aktuelle Runde sowie das bedingte LSTM-Netzwerk besser abschneiden als das LSTM-Modell, das nur die aktuelle Runde liest. Als Gesprächskontext betrachten wir die vorherige Runde, die folgende Runde oder beide. Unsere computergestützten Modelle werden auf zwei Arten von sozialen Medienplattformen getestet: Twitter und Diskussionsforen. Wir diskutieren mehrere Unterschiede zwischen diesen Datensätzen, von deren Größe bis hin zur Art der Gold-Label-Anmerkungen. Zur Beantwortung der letzten beiden Fragestellungen präsentieren wir eine qualitative Analyse der Aufmerksamkeitsgewichte, die von den LSTM-Modellen (mit Aufmerksamkeit) erzeugt werden, und vergleichen die Ergebnisse mit der menschlichen Leistung bei den beiden Aufgaben.