0
| 本文作者： 貝爽 | 2020-11-20 15:59 |
最近網(wǎng)絡(luò)上散發(fā)著一股濃濃的凡爾賽文學(xué)氣息，比如。
好煩，睡過(guò)了，錯(cuò)過(guò)馬爾代夫的航班，只能專(zhuān)機(jī)去了。
在看似平淡的話語(yǔ)中，流露出一股浮夸的炫耀，這就是凡爾賽文學(xué)。
諸如凡爾賽文學(xué)等網(wǎng)絡(luò)熱詞每年都有，但你真的get到它們的含義了嗎？
先來(lái)做個(gè)小測(cè)試吧！
以下三個(gè)句子中，請(qǐng)判斷哪一個(gè)是諷刺、吐槽和凡爾賽文學(xué)？
在這個(gè)社會(huì)上，不管承受多少的責(zé)難，都別忍。因?yàn)楝F(xiàn)在管虛偽不叫虛偽了，都叫做情商高。
長(zhǎng)得丑真是難為你了，早上跑出來(lái)嚇人，晚上跑出來(lái)嚇鬼。
iphone 11 pro max真的一點(diǎn)也不好用，我的卡死了，還是512g的暗夜綠！其實(shí)也就這樣，大家還是買(mǎi)1024g的吧
如果答對(duì)了，你可別驕傲，因?yàn)檫@道題可能連AI都會(huì)。
最近，中國(guó)北京的信息工程研究所和中國(guó)科學(xué)院聯(lián)合推出的一款A(yù)I模型，『諷刺』識(shí)別準(zhǔn)確率高達(dá)86%。
而且，這項(xiàng)研究成果還登上了計(jì)算機(jī)語(yǔ)言協(xié)會(huì)（ACL）。
聽(tīng)到這里你可能會(huì)好奇，AI為甚么要識(shí)別『諷刺』？？？
其實(shí)，諷刺作為情緒表達(dá)的一種方式，是AI情感分析的重點(diǎn)研究方向。
情感分析，又稱(chēng)傾向性分析，或意見(jiàn)挖掘，它是對(duì)帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理的過(guò)程。利用情感分析能力，可以針對(duì)帶有主觀描述的自然語(yǔ)言文本，自動(dòng)判斷該文本的情感正負(fù)傾向并給出相應(yīng)的結(jié)果。
它有什么用處呢？簡(jiǎn)單舉個(gè)例子。
本次美國(guó)大選，除了兩位當(dāng)事人拜登和川建國(guó)外，最頭疼的可能就是Facebook創(chuàng)始人扎克伯克了。
一直以“言論自由”著稱(chēng)的Facebook，要確保美國(guó)大選期間社交網(wǎng)絡(luò)中不能出現(xiàn)“虛假的政治言論”。
龐大的社交網(wǎng)絡(luò)每天有成千上萬(wàn)條帖子被發(fā)表，其中哪些有政治風(fēng)險(xiǎn)，哪些無(wú)政治風(fēng)險(xiǎn)，如果靠人工逐一審核再刪除的話，顯然有點(diǎn)不切實(shí)際。
這時(shí)候，AI就派上用場(chǎng)了。
早在美國(guó)大選之前，F(xiàn)acebook AI Research團(tuán)隊(duì)就開(kāi)始利用AI語(yǔ)言模型，識(shí)別網(wǎng)絡(luò)中的虛假信息或仇恨言論，有數(shù)據(jù)統(tǒng)計(jì)，在2020年第一季度，F(xiàn)acebook利用XLM語(yǔ)言模型刪除了960萬(wàn)條涉及仇恨言論的帖子。
對(duì)此，F(xiàn)acebook首席技術(shù)官M(fèi)ike Schroepfer還曾表示，
我沒(méi)有天真的以為AI可以解決每天個(gè)問(wèn)題，但我認(rèn)為它確實(shí)能幫助我們完成一些常見(jiàn)任務(wù)，以及一些人類(lèi)無(wú)法勝任的、規(guī)模達(dá)十億的、繁重的任務(wù)。
在這個(gè)例子中，AI的難點(diǎn)就在于如何提高情感分析能力，精準(zhǔn)識(shí)別出含虛假政治言論的帖子。
但相比之下，識(shí)別『諷刺』可能比識(shí)別虛假政治言論對(duì)AI而言更有難度。
根據(jù)百度百科顯示，『諷刺』是指用比喻、夸張等手法對(duì)人或事進(jìn)行揭露、批評(píng)；用譏刺和嘲諷筆法描寫(xiě)敵對(duì)的落后的事物；用譏諷的眼神，嘲笑的語(yǔ)氣對(duì)著他人說(shuō)。
明顯的諷刺意味人類(lèi)可以一眼看穿，但對(duì)于AI來(lái)說(shuō)卻不是一件容易的事兒。
最新的研究成果在2019年，首次引入多模態(tài)檢測(cè)的AI模型HFM，其準(zhǔn)確率能夠達(dá)到83%。而近日，該項(xiàng)研究取得突破性進(jìn)展，其準(zhǔn)確率提升了2.74%。
這項(xiàng)成果來(lái)自中國(guó)北京的信息工程研究所和中國(guó)科學(xué)院聯(lián)合研究團(tuán)隊(duì)，他們研發(fā)的新型多模態(tài)AI諷刺檢測(cè)模型，經(jīng)過(guò)Twitter數(shù)據(jù)集檢測(cè)準(zhǔn)確率可達(dá)到86％。
研究人員介紹，他們從2016年開(kāi)始嘗試多模式策略，并將其應(yīng)用在Tumblr，Instagram和Twitter等多個(gè)網(wǎng)絡(luò)數(shù)據(jù)集中進(jìn)行測(cè)試。
目前這項(xiàng)研究成果代表了AI多模式諷刺檢測(cè)的最高水準(zhǔn)，并且已在計(jì)算機(jī)語(yǔ)言協(xié)會(huì)（ACL）、自然語(yǔ)言處理實(shí)證方法協(xié)會(huì)（EMNLP）等多個(gè)NLP頂會(huì)上發(fā)表。
據(jù)了解，“多模式檢測(cè)（MultiModal Detection）”已成為一種主要的『諷刺』檢測(cè)模式，此前密歇根大學(xué)和新加坡大學(xué)的研究人員也曾使用語(yǔ)言模型和計(jì)算機(jī)視覺(jué)來(lái)檢測(cè)電視節(jié)目中的諷刺，相關(guān)研究也發(fā)表在了ACL上。
相比之下，此次研究成果在技術(shù)上有哪些特別之處呢？
特別之處在于：他們發(fā)現(xiàn)了多模態(tài)之間的不一致性！
什么叫多模態(tài)呢？官方定義是每一種信息的來(lái)源或形式，都可以成為一種模態(tài)。比如，人有觸覺(jué)，聽(tīng)覺(jué)，視覺(jué)，嗅覺(jué)，以上都是一種模態(tài)。
那么，對(duì)于Twitter發(fā)帖來(lái)說(shuō)，文字、圖片、視頻分別代表了三種模態(tài)。研究人員發(fā)現(xiàn)，現(xiàn)有的多模態(tài)諷刺檢測(cè)方法通常是簡(jiǎn)單地將多模態(tài)特征連接起來(lái)，或者以設(shè)計(jì)的方式融合多模態(tài)信息，而忽略了多模態(tài)之間和模態(tài)內(nèi)的不一致性。
受此啟發(fā)，他們提出了一種基于BERT架構(gòu)的模型，該模型可有效解決這一問(wèn)題。
模型框架
具體來(lái)說(shuō)，研究人員利用自注意機(jī)制（Self-Attention Mechanism）的思想，設(shè)計(jì)了一種模態(tài)間注意力機(jī)制以捕獲其間的不一致性。圖中，預(yù)先訓(xùn)練的BERT模型對(duì)給定的序列和其中的Hashtags進(jìn)行編碼。ResNet用于獲取圖像形式。我們運(yùn)用Intra-modality注意來(lái)模擬文本內(nèi)部的不協(xié)調(diào)，而Inner-modality來(lái)模擬文本和圖像之間的不協(xié)調(diào)。然后將不協(xié)調(diào)信息進(jìn)行組合并用于預(yù)測(cè)。
實(shí)驗(yàn)結(jié)果表明，該模型在公共多模式諷刺檢測(cè)數(shù)據(jù)集上達(dá)到了最新的性能—86%。
與此同時(shí)，研究人員還將該模型與現(xiàn)有模型基準(zhǔn)，從預(yù)測(cè)率（Precision）、召回率（Recall）、精準(zhǔn)度（Accuracy）和F1分?jǐn)?shù)等指標(biāo)進(jìn)行了比較。
結(jié)果顯示，與當(dāng)前最先進(jìn)的層次融合模型HFM相比，提高了2.74%。與微調(diào)的BERT模型相比，提高了2.7%。如圖：
從該表中可以看出，僅使用圖像特征的模型并沒(méi)有很好的表現(xiàn)（72.6%），這說(shuō)明對(duì)于多模態(tài)檢測(cè)任務(wù)來(lái)說(shuō)，圖像是不能單獨(dú)處理的。而且基于文本模態(tài)的方法(均在80%以上)比基于圖像模態(tài)的方法具有更好的性能。因此，文本信息比圖像信息更能用于諷刺信息的檢測(cè)。
此外，經(jīng)過(guò)微調(diào)的BERT模型比其他基于文本的非預(yù)訓(xùn)練模型表現(xiàn)得更好，這也再次驗(yàn)證了研究人員的設(shè)想，即像BERT這樣的預(yù)訓(xùn)練模型可以改進(jìn)檢測(cè)任務(wù)，它表明視覺(jué)+文本模式的模型通常比其他模式能夠獲得更好的結(jié)果，同時(shí)，它也說(shuō)明圖像有助于提高檢測(cè)性能。
值得注意的是，從文本模態(tài)內(nèi)部的模型來(lái)看，SIARN（80.5%）和SMSD（80.9%）都考慮了不一致信息，且性能表現(xiàn)優(yōu)于TextCNN（80%），因此，不一致信息有助于識(shí)別諷刺，再次驗(yàn)證研究人員提出的模態(tài)間的非一致性檢測(cè)方法比簡(jiǎn)單的模態(tài)間連接方法更有效。
更多論文詳情，可參見(jiàn)：https://www.aclweb.org/anthology/2020.findings-emnlp.124.pdf
引用鏈接：
https://www.engadget.com/facebook-develops-ai-moderation-tools-that-actually-work-at-facebookscale-180058754.html
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
