摘要

本文探讨了预训练语言模型（PLMs）是否能够理解中文幽默。研究背景在于幽默理解在自然语言处理（NLP）中是一个重要且具有挑战性的研究领域。尽管PLMs在幽默识别和生成方面已有初步尝试，但其幽默理解能力仍未得到充分解答。本文通过设计一个包含三个评估步骤和四个评估任务的综合框架，以及构建一个全面的中文幽默数据集，系统地研究了PLMs的幽默理解能力。实证研究表明，通过微调和对PLMs注入外部知识，可以显著提升其幽默理解能力，这对于未来优化PLMs在幽默理解和生成方面的应用具有重要指导价值。

原理

本文提出的评估框架通过三个步骤和四个任务来评估PLMs的幽默理解能力。首先，通过评估原始PLMs的幽默理解能力，了解其在未微调状态下的表现。其次，通过注入不同类型的外部知识，如中文拼音信息，来提升PLMs的幽默理解能力。最后，通过检测PLMs在幽默任务中是否能识别出与人类直觉相符的线索词，来解释PLMs的幽默理解能力。这一框架的设计旨在全面评估PLMs在不同情境下的幽默理解表现，并通过实证研究验证了微调和知识增强的有效性。

流程

评估框架包括四个主要任务：幽默识别、幽默类型分类、幽默级别分类和笑点检测。每个任务都有其特定的评估目的和方法。例如，幽默识别任务旨在区分幽默文本和非幽默文本，而笑点检测任务则关注于识别文本中的笑点。通过这些任务，研究团队能够系统地评估PLMs在不同幽默理解方面的表现。此外，研究团队还构建了一个大规模的中文幽默数据集，以满足评估框架的数据需求。

应用

本文的研究成果不仅提升了PLMs在中文幽默理解方面的能力，也为未来在社交媒体分析、内容生成和个性化推荐系统等领域的应用提供了新的可能性。通过更深入的幽默理解，PLMs可以生成更加丰富和有趣的文本内容，从而增强用户体验和互动性。此外，这一研究也为跨文化交流和多语言环境下的幽默处理提供了新的视角和方法。