Abstract & Introduction

• 作者收集发布并分析了一个新的幽默数据集——Humicroedit

  • 样本结构：（常规英文标题， 替换编辑词， 幽默分数）
  • 5名评委给15095条编辑过的标题打分，分数范围是0~3

• 作者表示这种简单的单词替换使得标题变幽默的应用，是分析幽默产生原因很好的过程，在这过程中也能得到经典幽默理论的支撑

• 最后作者还开发了一个基线分类器来预测编辑后的标题是否有趣。

• 计算幽默难，尽管自动幽默识别（automatic humor recognition）上有进展，但计算化幽默生成（computerized humor generation）的进展微小。这是由于幽默涉及到世界级的深度知识、常识和从多层级上感知实体和对象之间关系的能力。（这TM换做是人类也无法游刃有余感受和表达幽默😄）

• 两部构建Humicroedit。首先，我们从发布在Reddit（Reddit.com）上的新闻媒体收集原始新闻标题。然后，我们让来自亚马逊Mechanical Turk（mturk.com）的专家注释员（i）通过对这些标题进行小编辑来生成幽默，并（ii）判断这些编辑中的幽默。

• 这个Humicroedit数据集能干什么呢？
  • 了解幽默产生的原因
  • 做幽默识别
  • 对多组编辑后的标题做幽默排序
  • 做幽默生成
  • 幽默推荐

Abstract & Introduction

• 这篇文章主要分析了BERT在「评论数据集」上fine-tuning后，在「ABSA数据集」上测试，看看BERT的self-attention和隐藏表示层是否学习到了情感观点。
• 结果发现似乎BERT学到语义方面比较多，而不是情感极向。
• 作者表示，他感兴趣的是像MLM这种self-supervised任务能够多大程度上覆盖ABSA中的特定任务。

Datasets

• 微调数据集（20GB）

  • 亚马逊评论
  • [Yelp评论数据集](https://www.yelp.com/dataset/
    challenge)

• 评估数据集（每个领域sample 150条）

  • 2014年SemEval任务4（Laptop and Restaurant）
  • 2016年SemEval任务5（Laptop and Restaurant）

Analysis

Summary and Open Problem

无感少年🧚‍♂️

如果要用两个字来描述我整个9月份的状态，那么我用屁股想也能毫不费力蹦出两个字“躺平”。若是换个精确的词，也许“无感”是最合适标签化我最近一段时间行为状态的词…唔，也许时间线能拉的更长。

大概总结这月干了啥**”无感的正事”**吧：(1) 随意性阅读论文。这段时间似乎没带任何功利的想法阅读论文，涉及论文领域的广度也蛮宽泛，譬如ABSA、prompt learning、few shot learning、humor detection、chain of thought。这样做给我带来的反馈几乎为0，也没有得到任何灵感一闪的idea，但似乎我对这种低效并无任何不适的感觉😅…… (2) 准备汇报。一是学校大研讨会主讲，二是参与国际会议演讲。以我对自己性格的了解，一旦得知我需要上台作presentation的时候一定会强行push自己（提前把PPT做出来，反复打磨十几二十遍，设置好展示过程中每一处的转折和强调）。好嘛…到现在我还没把PPT搞好，反倒是强行pull自己躺了大半个月😅……

今年，无感顽强活跃于我生活的处处细节：自驾游无感，美食无感，拿offer无感，paper被accept无感，奖学金无感，打比赛AK无感，跟喜欢的人打交道无感，篮球炸场无感，爱无感……

有天我甚至在想，当对所有事物无感时我还是人吗？ 但谁又能说明白无感是否为人的一种特有情感呢？我应该抑制无感野蛮生长吗？

也许，往后我需要一段时间自我认知和剖析才能给出答案。

Abstract & Introduction

• ABSA是一个细粒度的情感分析任务，要求我们检测句子在某一方面是否有情感极性，以及对应的极性。

• 作者表示可以将[方面]分成两类：

  • explicit aspect-term：很明显出现在句子中（占比较少，处理起来简单）
  • implicit aspect-category: 通过一些指示词隐式表示（占比很多，处理起来困难）
  • 

• 介绍了以前处理ABSA的方法

  • 基于句法信息转化器、n-grams和情感词典，来辅助分类器（贝叶斯或SVM）完成。（但是这样做只能处理explicit aspect）
  • 常规的微调预训练模型
  • Prompt的方式，将ABSA任务转化成QA辅助句，其中Q是原文，A是对方面情感的描述疑问。（这种做法需要大量的有标签数据，可以参考论文）

• 作者提出了一种统一的框架来处理方面分类和方面情感分析子任务，叫做BERT-based Auxiliary Sentence Construct-ing (BERT-ASC)

  • 使用L-LDA为每一个[方面]提取一组[种子]集合

    • Aspect: food — Seed:{meal, bread, rice}
    • 如何做呢？由于BERT模型的预训练会使得相似的词在向量空间中的距离尽可能小。所以可以根据方面词在向量空间某个范围的词向量作为种子集合

  • 根据[方面]和[种子]来构造辅助句子提供个体PLM来微调

  • 使用构造的辅助句子来微调，可以让BERT学习到[特定于方面的表示]而不是[方面本身]

似乎😮

写下这篇文章的当天似乎是个愉快的周日，舍友们似乎早早就起来了，我似乎少见地没有被键盘声喊醒，感冒发烧似乎也随着美妙周日的来到悄悄离开，这周似乎做了但又没做很多事。当然，似乎最兴奋的是这周二得到论文被accpet的消息且正好赶上评奖学金。

昨晚，师弟进行学习汇报讲到leetcode，舍友 [甜心] 也打了一场双周赛（赛后讨论了一波，可惜…甜心的代码少写了一行没过掉第三题）。转念一想 嘿，似乎感觉好久没刷题了？不如就以每日一题为小甜点，开启这美妙(shit)的周日。

打开chrome 浏览器，输入leetcode.cn，回车！ 找到每日一题..卧槽？hard 题？再见……