ترجمه فارسی مقاله LOLGORITH: ادغام عناصر معنایی، نحوی و متنی برای طبقه بندی طنز

چکیده

This paper explores humor detection through a linguistic lens, prioritizing syntactic, semantic, and contextual features over computational methods in Natural Language Processing. We categorize features into syntactic, semantic, and contextual dimensions, including lexicons, structural statistics, Word2Vec, WordNet, and phonetic style. Our proposed model, Colbert, utilizes BERT embeddings and parallel hidden layers to capture sentence congruity. By combining syntactic, semantic, and contextual features, we train Colbert for humor detection. Feature engineering examines essential syntactic and semantic features alongside BERT embeddings. SHAP interpretations and decision trees identify influential features, revealing that a holistic approach improves humor detection accuracy on unseen data. Integrating linguistic cues from different dimensions enhances the model’s ability to understand humor complexity beyond traditional computational methods.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی تشخیص طنز از طریق یک لنز زبانی ، اولویت بندی ویژگی های نحوی ، معنایی و متنی بر روش های محاسباتی در پردازش زبان طبیعی می پردازیم.ما ویژگی ها را به ابعاد نحوی ، معنایی و متنی ، از جمله واژگان ، آمار ساختاری ، Word2VEC ، WordNet و سبک آوایی طبقه بندی می کنیم.مدل پیشنهادی ما ، Colbert ، از تعبیه های برت و لایه های پنهان موازی برای گرفتن هماهنگی جمله استفاده می کند.با ترکیب ویژگی های نحوی ، معنایی و متنی ، کلبرت را برای تشخیص طنز آموزش می دهیم.مهندسی ویژگی ویژگی های ضروری نحوی و معنایی را در کنار تعبیه های برت بررسی می کند.تفسیرها و درختان تصمیم گیری ویژگی های تأثیرگذار را مشخص می کنند ، و نشان می دهد که یک رویکرد جامع ، دقت تشخیص طنز را در داده های غیب بهبود می بخشد.ادغام نشانه های زبانی از ابعاد مختلف ، توانایی مدل در درک پیچیدگی طنز را فراتر از روشهای محاسباتی سنتی تقویت می کند.