THInC: A Theory-Driven Framework for Computational Humor Detection

📄 arXiv: 2409.01232v1 📥 PDF

作者: Victor De Marez, Thomas Winters, Ayla Rigouts Terryn

分类: cs.CL

发布日期: 2024-09-02

备注: Accepted at CREAI 2024 (International Workshop on Artificial Intelligence and Creativity)

💡 一句话要点

提出THInC框架，基于多种幽默理论实现可解释的计算幽默检测

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 计算幽默检测 幽默理论 可解释性 GA2M 代理特征

📋 核心要点

  1. 现有计算幽默检测方法大多未基于幽默理论，缺乏可解释性，难以深入理解幽默的本质。
  2. THInC框架将多种幽默理论融入计算模型，通过代理特征量化理论，实现可解释的幽默分类。
  3. 实验结果表明，THInC框架取得了0.85的F1分数，并能分析代理特征的有效性，为幽默理论研究提供新视角。

📝 摘要（中文）

幽默是人类交流和认知的重要组成部分，在社交互动中起着关键作用。尽管关于幽默的理论已经发展了几个世纪，但对于一个单一、全面的幽默理论仍未达成共识。同样，尽管大型语言模型取得了最新进展，但计算识别幽默仍然是一个重大挑战。此外，大多数计算幽默检测方法并非基于现有的幽默理论。本文通过创建一个基于多种幽默理论的、可解释的幽默分类框架THInC（Theory-driven Humor Interpretation and Classification），弥合了幽默理论研究和计算幽默检测之间长期存在的差距。THInC集成了可解释的GA2M分类器，每个分类器代表一种不同的幽默理论。我们设计了一个透明的流程，主动创建代理特征，以定量地反映理论的不同方面。该框架的实现达到了0.85的F1分数。该框架的关联可解释性能够分析代理功效、将笑话特征与理论对齐，并识别全局贡献特征。本文标志着在创建受多种幽默理论启发的幽默检测框架方面迈出了开创性的一步，并为未来理论驱动的幽默分类的进步奠定了基础。它也是以定量方式自动比较幽默理论的第一步。

🔬 方法详解

问题定义：论文旨在解决计算幽默检测中缺乏理论基础和可解释性的问题。现有方法通常依赖于黑盒模型，难以理解模型判断幽默的依据，也无法有效利用已有的幽默理论指导模型设计。这限制了模型性能的提升和对幽默本质的深入理解。

核心思路：论文的核心思路是将多种幽默理论融入到计算模型中，通过设计代理特征来量化这些理论，并使用可解释的机器学习模型（GA2M）进行分类。这样做的目的是使模型能够基于明确的理论依据进行判断，从而提高模型的可解释性和性能。

技术框架：THInC框架包含以下主要模块：1) 幽默理论选择：选择多种具有代表性的幽默理论。2) 代理特征工程：针对每种幽默理论，设计能够量化该理论的代理特征。3) GA2M分类器集成：为每种幽默理论训练一个GA2M分类器，该分类器使用对应的代理特征作为输入。4) 集成预测：将多个GA2M分类器的预测结果进行集成，得到最终的幽默判断结果。

关键创新：该论文最重要的技术创新点在于提出了一个理论驱动的幽默检测框架，将多种幽默理论显式地融入到计算模型中。与现有方法相比，THInC框架具有更强的可解释性，能够分析不同幽默理论在幽默判断中的作用。此外，通过代理特征工程，实现了幽默理论的量化表示，为自动比较幽默理论提供了可能。

关键设计：关键设计包括：1) 代理特征的设计：需要根据每种幽默理论的特点，设计合适的代理特征来量化该理论。例如，对于不协调理论，可以设计衡量文本中语义冲突程度的特征。2) GA2M分类器的选择：GA2M模型具有较强的可解释性，能够清晰地展示每个特征对预测结果的影响。3) 集成策略的选择：可以使用简单的平均或加权平均等方法对多个GA2M分类器的预测结果进行集成。具体的参数设置和网络结构需要根据具体的数据集和幽默理论进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

THInC框架在幽默检测任务上取得了0.85的F1分数，证明了该框架的有效性。此外，通过分析代理特征的有效性，可以了解不同幽默理论在幽默判断中的作用。例如，实验结果表明，某些代理特征与特定的幽默理论高度相关，而另一些代理特征则对所有幽默理论都有贡献。这些发现为进一步研究幽默的本质提供了有价值的线索。

🎯 应用场景

该研究成果可应用于智能对话系统、内容推荐系统、情感计算等领域。例如，在智能对话系统中，可以利用THInC框架识别用户输入的幽默内容，从而使系统能够更自然地与用户进行交流。在内容推荐系统中，可以利用THInC框架分析内容的幽默程度，从而为用户推荐更符合其口味的内容。此外，该研究还可以促进对幽默本质的深入理解，为心理学、社会学等领域的研究提供新的工具和视角。

📄 摘要（原文）

Humor is a fundamental aspect of human communication and cognition, as it plays a crucial role in social engagement. Although theories about humor have evolved over centuries, there is still no agreement on a single, comprehensive humor theory. Likewise, computationally recognizing humor remains a significant challenge despite recent advances in large language models. Moreover, most computational approaches to detecting humor are not based on existing humor theories. This paper contributes to bridging this long-standing gap between humor theory research and computational humor detection by creating an interpretable framework for humor classification, grounded in multiple humor theories, called THInC (Theory-driven Humor Interpretation and Classification). THInC ensembles interpretable GA2M classifiers, each representing a different humor theory. We engineered a transparent flow to actively create proxy features that quantitatively reflect different aspects of theories. An implementation of this framework achieves an F1 score of 0.85. The associative interpretability of the framework enables analysis of proxy efficacy, alignment of joke features with theories, and identification of globally contributing features. This paper marks a pioneering effort in creating a humor detection framework that is informed by diverse humor theories and offers a foundation for future advancements in theory-driven humor classification. It also serves as a first step in automatically comparing humor theories in a quantitative manner.