Key points are not available for this paper at this time.
Le sentiment et le sarcasme sont intimes et complexes, car le sarcasme provoque souvent délibérément une réponse émotionnelle afin d'atteindre un objectif spécifique. Les défis actuels dans la détection conjointe des sentiments et du sarcasme multimodaux incluent principalement la fusion de représentations multimodales et la modélisation de la relation intrinsèque entre le sentiment et le sarcasme. Pour relever ces défis, nous proposons un modèle d'apprentissage de représentation auto-adaptatif à entrée unique (SRLM) pour la reconnaissance conjointe du sentiment et du sarcasme. Plus précisément, nous divisons l'image en blocs pour apprendre ses caractéristiques sérielles et fusionnons la caractéristique textuelle comme entrée du modèle cible. Ensuite, nous introduisons un réseau d'apprentissage de représentation adaptatif utilisant une approche réseau à porte pour la classification du sarcasme et du sentiment. Dans ce cadre, chaque tâche est équipée de son réseau expert dédié responsable de l'apprentissage des informations spécifiques à la tâche, tandis que le savoir-faire expert partagé est acquis et pondéré à travers le réseau à porte. Enfin, des expériences complètes menées sur deux ensembles de données disponibles publiquement, à savoir Memotion et MUStARD, démontrent l'efficacité du modèle proposé par rapport aux références de pointe. Les résultats révèlent une amélioration notable des performances des tâches de sentiment et de sarcasme.
Zhang et al. (mar,) ont étudié cette question.