Robust Dual-Signal Fusion: Hybrid Neuro-Symbolic Gating with Compressed Chain-of-Thought Refinement for Irony Detection in Social Media Texts

📄 arXiv: 2606.16845v1 📥 PDF

作者: Ankit Bhattacharjee, Krityapriya Bhaumik

分类: cs.CL, cs.AI

发布日期: 2026-06-15

备注: 11 pages total, 10 figures

💡 一句话要点

提出鲁棒双信号融合框架以解决社交媒体文本中的讽刺检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 讽刺检测 社交媒体分析 神经符号融合 思维链推理 自然语言处理

📋 核心要点

  1. 现有大型语言模型在讽刺检测中面临字面语义解释的挑战，导致零样本检测效果不佳。
  2. 论文提出的鲁棒双信号融合框架结合了神经网络与符号推理，压缩思维链推理过程以提高检测效果。
  3. 在多个数据集上，RDS框架的表现超越了传统的重监督模型，显示出其在讽刺检测中的有效性。

📝 摘要（中文）

大型语言模型（LLMs）通常默认采用字面语义解释，这使得零样本讽刺检测成为一个持续的挑战。本文提出了鲁棒双信号（RDS）融合框架，这是一种混合神经符号架构，能够在不进行监督微调的情况下压缩思维链（CoT）推理轨迹。在严格的TweetEval测试集上，RDS达到了78.1%的准确率和0.777的宏观F1分数，匹配了经过微调的BERTweet的绝对性能上限。在严重不平衡的iSarcasm数据集上，冻结的CoT管道过滤了22.5%的分布外幻觉，获得了0.6726的零样本宏观F1和0.4821的讽刺F1，超越了多个重监督的SemEval变换器集成。统计消融实验确认了这种结构协同作用：将符号先验添加到神经基线并未显著提升（p = 0.242），而将CoT管道添加到该先验的边际收益也被压缩（p = 0.149）。只有所有三种信号的完整、并行融合才能实现统计上验证的基线改进（p = 0.005）。

🔬 方法详解

问题定义：本文旨在解决社交媒体文本中的讽刺检测问题，现有方法往往依赖于字面语义，导致零样本检测效果不理想。

核心思路：提出鲁棒双信号（RDS）融合框架，通过结合神经网络与符号推理，压缩思维链推理轨迹，避免了监督微调的需求。

技术框架：RDS框架包括三个主要模块：神经网络基线、符号先验和思维链推理管道。这些模块并行工作，通过融合不同信号来提升检测性能。

关键创新：最重要的创新在于将神经符号方法与思维链推理结合，形成了一种新的融合机制，显著提高了讽刺检测的准确性。

关键设计：在设计中，采用了冻结的CoT管道来过滤幻觉，并通过统计消融实验验证了各模块的贡献，确保了整体架构的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，鲁棒双信号融合框架在TweetEval测试集上达到了78.1%的准确率和0.777的宏观F1分数，匹配了微调BERTweet的性能。在iSarcasm数据集上，RDS实现了0.6726的零样本宏观F1和0.4821的讽刺F1，显著超越了多个重监督的变换器集成，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括社交媒体内容分析、在线评论监测以及自动化情感分析等。通过提高讽刺检测的准确性，能够帮助平台更好地理解用户情感，改善用户体验，甚至在虚假信息检测中发挥作用。未来，该框架可能扩展到其他语言处理任务中，提升自然语言理解的能力。

📄 摘要（原文）

Large Language Models (LLMs) natively default to literal semantic interpretations, making zero-shot irony detection a persistent challenge. We introduce the Robust Dual-Signal (RDS) Fusion framework, a hybrid neuro-symbolic architecture that compresses Chain-of-Thought (CoT) reasoning trajectories without Supervised Fine-Tuning (SFT). Evaluated on a strictly held-out TweetEval test set (N=734), RDS achieves 78.1% accuracy and a Macro F1 of 0.777, matching the absolute performance ceiling of the fine-tuned BERTweet. On the heavily imbalanced iSarcasm dataset, the frozen CoT pipeline filters 22.5% of out-of-distribution hallucinations, yielding a zero-shot Macro F1 of 0.6726 and Ironic F1 of 0.4821, outperforming multiple heavily supervised SemEval transformer ensembles. A statistical ablation confirms this structural synergy: adding the symbolic prior to the neural baseline yields no significant gain (p = 0.242), and the marginal benefit of adding the CoT pipeline to that prior is heavily compressed (p = 0.149). Only the complete, concurrent fusion of all three signals achieves a statistically validated improvement over the baseline (p = 0.005).