基于语言学多重不一致性的隐喻检测模型

doi:10.11772/j.issn.1001-9081.2024121797

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (12): 3829-3838.DOI: 10.11772/j.issn.1001-9081.2024121797

基于语言学多重不一致性的隐喻检测模型

郑天龙¹^,²^,³, 董瑞¹^,²^,³, 杨雅婷¹^,²^,³, 马博¹^,²^,³, 王磊¹^,²^,³, 周喜¹^,²^,³

^1.中国科学院新疆理化技术研究所，乌鲁木齐 830011
^2.中国科学院大学，北京 100049
^3.新疆民族语音语言信息处理实验室（中国科学院），乌鲁木齐 830011

收稿日期:2024-12-23 修回日期:2025-03-06 接受日期:2025-03-13 发布日期:2025-03-24 出版日期:2025-12-10
通讯作者: 董瑞
作者简介:郑天龙（2002—），男，安徽阜阳人，硕士研究生，主要研究方向：隐喻检测
董瑞（1985—），男，山东威海人，研究员，博士，CCF高级会员，主要研究方向：自然语言处理、隐喻检测
杨雅婷（1985—），女，新疆奇台人，研究员，博士，CCF高级会员，主要研究方向：多语言智能信息处理
马博（1984—），男，辽宁鞍山人，研究员，博士，CCF高级会员，主要研究方向：多语言智能信息处理
王磊（1974—），男，河南南阳人，研究员，博士，主要研究方向：多语言智能信息处理
周喜（1978—），男，湖南双峰人，研究员，博士，CCF高级会员，主要研究方向：大数据分析。
基金资助:
新疆维吾尔自治区自然科学基金重点项目(2024D01D29);新疆维吾尔自治区自然科学基金重点项目(2022D01D04);新疆维吾尔自治区自然科学基金重点项目(2022D01D81);新疆维吾尔自治区“天山英才”培养计划项目(2022TSYCCX0059);新疆维吾尔自治区“天山英才”培养计划项目(2023TSYCCX0044);新疆维吾尔自治区“天山英才”培养计划项目(2023TSYCCX0041);中国科学院青年创新促进会项目(Y2021112);中国科学院青年创新促进会项目(Y2023118);中国科学院青年创新促进会项目(2021436);新疆维吾尔自治区重点研发计划项目(2023B03024)

Metaphor detection model based on linguistic multi-incongruity

Tianlong ZHENG¹^,²^,³, Rui DONG¹^,²^,³, Yating YANG¹^,²^,³, Bo MA¹^,²^,³, Lei WANG¹^,²^,³, Xi ZHOU¹^,²^,³

^1.Xinjiang Technical Institute of Physics and Chemistry，Chinese Academy of Sciences，Urumqi Xinjiang 830011，China
^2.University of Chinese Academy of Sciences，Beijing 100049，China
^3.Xinjiang Laboratory of Minority Speech and Language Information Processing （ Chinese Academy of Sciences），Urumqi Xinjiang 830011，China

Received:2024-12-23 Revised:2025-03-06 Accepted:2025-03-13 Online:2025-03-24 Published:2025-12-10
Contact: Rui DONG
About author:ZHENG Tianlong， born in 2002， M. S. candidate. His research interests include metaphor detection.
DONG Rui， born in 1985， Ph. D.， research fellow. His research interests include natural language processing， metaphor detection.
YANG Yating， born in 1985， Ph. D.， research fellow. Her research interests include multilingual intelligent information processing.
MA Bo， born in 1984， Ph. D.， research fellow. His research interests include multilingual intelligent information processing.
WANG Lei， born in 1974， Ph. D.， research fellow. His research interests include multilingual intelligent information processing.
ZHOU Xi， born in 1978， Ph. D.， research fellow. His research interests include big data analysis.
Supported by:
Key Project of Xinjiang Uygur Autonomous Region Natural Science Foundation(2024D01D29);Xinjiang Uygur Autonomous Region “Tianshan Talents” Training Program(2022TSYCCX0059);Project of Youth Innovation Promotion Association, Chinese Academy of Sciences(Y2021112);Xinjiang Uygur Autonomous Region Key Research and Development Program(2023B03024)

摘要/Abstract

摘要：

针对现有隐喻检测研究忽略了目标词在特定语境中存在多种语义（一词多义）时目标语句句义和目标词基本义不一致引起的隐喻发生问题，提出一种基于语言学多重不一致性的隐喻检测模型。首先，在特征编码模块，使用2个独立的编码器编码目标语句句义、目标词基本义和语境义等特征信息；其次，在多重不一致性建模模块，使用选择偏好违背（SPV）、隐喻识别程序（MIP）和语义用法对比（SUC）这3个语言学方法对多重不一致性特征进行统一建模；最后，利用隐喻识别模块进行隐喻检测。此外，通过LoRA（Low-Rank Adaptation）微调的大语言模型（LLM）和人工矫正结合的数据标注方法构建一个中文词级隐喻检测数据集META-ZH，以验证中文隐喻检测性能。实验结果表明，所提模型在VUA All、VUA Verb、MOH-X和META-ZH隐喻检测数据集上，对比最优基线模型，F1值分别提升了0.8、1.3、1.5和2.3个百分点。可见，该模型能够充分利用语言学多重不一致性有效提高隐喻检测性能。

关键词: 隐喻检测, 多重不一致性网络, 语言学方法, 大语言模型, LoRA微调

Abstract:

A metaphor detection model based on linguistic multi-incongruity was proposed to tackle the metaphor occurrence problem caused by the incongruity between the target sentence meaning and the core meaning of the target word in a specific context where a target word has multiple semantic meanings （polysemy）， which is ignored by the existing metaphor detection research. Firstly， in the feature encoding module， two separate encoders were employed to encode the feature information such as the target sentence meaning， the core meaning of the target word， and its contextual meaning. Then， in the multi-incongruity modeling module， three linguistic methods — Selectional Preference Violation （SPV）， Metaphor Identification Procedure （MIP）， and Semantics Usage Comparison （SUC） — were utilized to conduct unified modeling of incongruity features. Finally， metaphor detection was performed through a metaphor identification module. Furthermore， to validate Chinese metaphor detection performance， a Chinese word-level metaphor detection dataset named META-ZH was constructed through a data annotation method of combining LoRA （Low-Rank Adaptation） fine-tuned Large Language Model （LLM） with manual correction. Experimental results show that the proposed model achieves F1 values improvement of 0.8， 1.3， 1.5， and 2.3 percentage points， respectively， compared to the optimal baseline model on the VUA All， VUA Verb， MOH-X， and META-ZH metaphor detection datasets. It can be seen that the proposed model enhances performance in metaphor detection by fully utilizing linguistic multi-incongruity.

Key words: metaphor detection, Multi-incongruity Network (MulNet), linguistic method, Large Language Model (LLM), LoRA (Low-Rank Adaptation) fine-tuning

中图分类号:

TP391.1

郑天龙, 董瑞, 杨雅婷, 马博, 王磊, 周喜. 基于语言学多重不一致性的隐喻检测模型[J]. 计算机应用, 2025, 45(12): 3829-3838.

Tianlong ZHENG, Rui DONG, Yating YANG, Bo MA, Lei WANG, Xi ZHOU. Metaphor detection model based on linguistic multi-incongruity[J]. Journal of Computer Applications, 2025, 45(12): 3829-3838.

图/表 12

表1 隐喻示例

Tab. 1 Examples of metaphor

3）在生活的雪坡上滑雪

一定要慢点，小心地滑。

SUC

图1 SPV、MIP和SUC语言学方法

Fig. 1 SPV， MIP and SUC linguistic methods

图2 MulNet模型的结构

Fig. 2 Structure of MulNet model

图3 META-ZH数据集的构造流程

Fig. 3 Flow of META-ZH dataset construction

表2 数据集的描述性统计信息

Tab. 2 Descriptive statistics of datasets

数据集	目标语句数	目标词数	隐喻样本占比/%	目标语句平均长度（词数）
MOH-X	647	647	48.69	8.00
VUA All	10 488	205 425	11.58	19.55
VUA Verb	11 699	23 113	28.36	20.52
TroFi	3 737	3 737	43.54	28.30
VUA All_Genre	2 679	50 175	12.44	18.71
VUA All_POS	8 065	25 818	15.35	21.39
META-ZH	5 491	5 496	92.78	18.64

表3 MOH-X、VUA All、VUA Verb和META-ZH数据集上的实验结果 (%)

Tab. 3 Experimental results on MOH-X， VUA All， VUA Verb and META-ZH datasets

模型	MOH-X				VUA All				VUA Verb				META-ZH
模型	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec
RNN_ELMo	75.6	77.2	79.1	73.5	72.6	93.1	71.6	73.6	69.7	81.4	68.2	71.3	—	—	—	—
RNN_BERT	78.2	78.1	75.1	81.8	71.7	92.9	71.5	71.9	69.0	80.7	66.7	71.5	76.5	93.9	77.0	76.0
RNN_HG	79.8	79.7	79.7	79.8	74.0	93.6	71.8	76.3	70.8	82.1	69.3	72.3	—	—	—	—
RNN_MHCA	80.0	79.8	77.5	83.1	74.3	93.8	73.0	73.0	70.5	81.8	66.3	75.2	—	—	—	—
MUL_GCN	79.6	79.9	79.7	80.5	75.1	93.8	74.8	75.5	71.7	83.2	72.5	70.9	—	—	—	—
MelBERT	81.1	81.6	79.7	82.7	78.4	94.0	80.5	76.4	71.0	80.7	64.6	78.8	76.4	94.9	84.4	71.8
MisNet	82.5	83.1	83.2	82.5	77.5	94.7	82.4	73.2	72.4	84.4	77.0	68.3	80.4	95.3	83.6	77.9
MisNet_DeBERTa	85.0	85.6	86.2	84.6	70.3	91.7	63.2	79.1	70.4	82.2	70.3	70.5	80.0	95.0	81.8	78.4
CLCL	83.4	84.3	84.0	82.7	78.4	94.5	80.8	76.1	74.4	84.7	74.9	73.9	78.2	95.1	84.3	74.3
QMM	86.0	86.0	83.8	88.6	78.1	94.6	78.9	77.3	72.6	84.9	79.8	66.6	—	—	—	—
QMM_DeBERTa	85.7	86.2	85.5	86.3	78.8	94.7	77.9	79.8	74.8	84.9	74.7	74.9	—	—	—	—
MiniCPM3-4B（LoRA）	75.7	73.8	70.7	81.5	74.9	94.0	78.2	71.9	65.9	80.4	68.9	63.1	72.7	93.2	74.1	71.5
LLaMA3-8B（LoRA）	64.3	68.5	74.0	56.9	76.2	94.3	79.9	72.8	73.5	84.7	76.6	70.6	80.0	94.6	79.5	80.5
MulNet	87.2	87.2	85.1	89.7	79.6	95.1	82.1	77.2	76.1	85.1	73.2	79.2	82.7	95.8	86.1	80.0

表4 细分数据集VUA All_Genre和VUA All_POS上的实验结果 (%)

Tab. 4 Experimental results on subdivision datasets VUA All_Genre and VUA All_POS

模型	Fiction				News				Conversation				Academic
模型	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec
RNN_ELMo	65.1	93.1	61.4	69.1	71.9	91.6	72.7	71.2	79.2	92.8	78.2	80.2	64.0	94.6	64.9	63.1
RNN_BERT	67.5	93.9	66.5	68.6	71.8	91.4	71.2	72.5	76.4	91.9	76.7	76.0	64.4	94.6	64.7	64.2
RNN_HG	67.5	93.4	61.8	74.5	74.1	91.9	71.6	76.8	79.6	92.7	76.5	83.0	67.8	94.8	63.6	72.5
RNN_MHCA	67.7	93.8	64.8	70.9	75.0	92.4	74.8	75.3	79.8	93.0	79.6	80.0	67.4	94.8	64.0	71.1
RoBERTa_SEQ	73.3	—	73.9	72.7	77.9	—	82.2	74.1	81.4	—	86.0	77.3	70.1	—	70.5	69.8
DeepMet	73.0	—	76.1	70.1	75.0	—	84.1	67.6	81.0	—	88.4	74.7	71.4	—	71.6	71.1
MelBERT	75.4	—	74.0	76.8	77.2	—	81.0	73.7	83.9	—	85.3	82.5	70.9	—	70.1	71.7
MisNet	76.0	95.5	74.5	77.5	79.2	94.1	82.6	77.0	83.8	94.5	85.1	82.5	71.9	95.7	71.8	72.2
MulNet	76.7	95.7	76.5	76.9	80.3	94.4	86.1	75.2	84.3	94.7	87.4	81.4	72.3	95.5	70.3	74.4
模型	Noun				Adjective				Verb				Adverb
模型	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec	F1	Acc	Prec	Rec
RNN_ELMo	60.4	—	59.9	60.8	58.3	—	56.1	60.6	69.9	—	68.1	71.9	59.7	94.8	67.2	53.7
RNN_BERT	59.9	88.6	63.3	56.8	54.7	88.3	58.1	51.6	69.5	87.9	67.1	72.1	62.9	94.8	64.8	61.1
RNN_HG	63.4	88.4	60.3	66.8	62.2	89.1	59.2	65.6	70.7	88.0	66.4	75.5	63.8	94.5	61.0	66.8
RNN_MHCA	63.2	89.4	69.1	58.2	61.6	89.5	61.4	61.7	70.7	87.9	66.0	76.0	63.2	94.9	66.1	60.7
RoBERTa_SEQ	66.6	—	76.5	59.0	63.7	—	72.0	57.1	74.8	—	74.4	75.1	70.1	—	77.6	63.9
DeepMet	65.4	—	76.5	57.1	63.3	—	79.0	52.9	73.3	—	78.8	68.5	72.3	—	79.4	66.4
MelBERT	70.7	—	75.4	66.5	64.4	—	69.4	60.1	75.1	—	74.2	75.9	74.6	—	80.2	69.7
MisNet	70.6	91.6	74.4	67.2	67.0	91.2	68.8	65.2	77.6	91.4	77.5	77.7	73.3	96.3	76.4	70.5
MulNet	71.7	92.2	78.3	66.2	69.4	92.3	75.9	64.0	77.8	91.5	77.1	78.6	76.0	96.7	79.7	72.5

表5 TroFi数据集上的Zero-shot迁移实验结果 (%)

Tab. 5 Zero-shot transfer experimental results on TroFi dataset

模型	F1	Acc	Prec	Rec
RoBERTa_SEQ	60.7	60.6	53.6	70.1
DeepMet	61.7	60.8	53.7	72.9
MelBERT	62.0	60.6	53.4	74.1
MrBERT	62.7	61.1	53.8	75.0
MisNet	63.1	61.2	53.8	76.2
RoPPT	63.3	61.6	54.2	76.2
MiceCL	62.9	61.5	54.2	75.0
MulNet	64.2	62.7	55.1	77.0

表6 多重不一致性特征的消融实验结果 (%)

Tab. 6 Ablation experimental results of multi-incongruity features

消融	F1	Acc	Prec	Rec
w/o MIP	79.4	95.1	82.3	76.7
w/o SPV	79.4	95.0	81.9	77.1
w/o SUC	78.3	94.9	82.7	74.4
w/o POS	79.1	95.0	83.1	75.5
w/o Basic Usage	78.4	94.8	81.7	75.3
w/o Feature Embedding	78.7	94.9	81.7	76.0
MulNet	79.6	95.1	82.1	77.2

表7 MulNet不同特征集成方法的消融实验结果 (%)

Tab. 7 Ablation experimental results of different feature ensemble methods in MulNet

消融	F1	Acc	Prec	Rec
w/o （ $z - v$ ； $z × v$ ）	78.8	94.9	81.9	75.8
w/o （ $z$ ； v； $z × v$ ）	78.9	94.9	82.0	76.1
w/o （ $z$ ； v； $z - v$ ）	79.2	95.0	82.4	76.2
w/o （ $z$ ； v ）	79.2	94.9	80.6	77.9
w/o （ $z × v$ ）	79.0	94.9	81.5	76.6
w/o （ $z - v$ ）	78.9	94.9	81.1	76.8
MulNet	79.6	95.1	82.1	77.2

表7 MulNet不同特征集成方法的消融实验结果 (%)

Tab. 7 Ablation experimental results of different feature ensemble methods in MulNet

消融	F1	Acc	Prec	Rec
w/o （ $z - v$ ； $z × v$ ）	78.8	94.9	81.9	75.8
w/o （ $z$ ； v； $z × v$ ）	78.9	94.9	82.0	76.1
w/o （ $z$ ； v； $z - v$ ）	79.2	95.0	82.4	76.2
w/o （ $z$ ； v ）	79.2	94.9	80.6	77.9
w/o （ $z × v$ ）	79.0	94.9	81.5	76.6
w/o （ $z - v$ ）	78.9	94.9	81.1	76.8
MulNet	79.6	95.1	82.1	77.2

图4 VUA All、VUA Verb、META-ZH、TroFi数据集上的t-SNE特征可视化

Fig. 4 t-SNE feature visualization on VUA All， VUA Verb， META-ZH and TroFi datasets

表8 中英文隐喻检测示例

Tab. 8 Examples of metaphor detection in Chinese and English

语言	目标词	目标语句	真实值	预测值
中文	讹诈	1）新中国成立后，为了打破某些大国的核讹诈，发展国防核能工业，中央对原子能的原料资源铀矿的勘查非常重视。	隐喻	隐喻
	循	2）接着，我们循着喊声，又走进“小芙蓉”美容美发店。	非隐喻	非隐喻
	流动	3）在这种流动中，最使人感念的是父母的牺牲。	非隐喻	隐喻
	开启	4）正是这位智慧的老人最先开启国门，推船下海的。	隐喻	非隐喻
英文	hands	1） Money may not have changed hands.	隐喻	隐喻
	capacity	2） Five more incinerators currently proposed in various parts of the country will double capacity.	非隐喻	非隐喻
	bear	3） There are a number of points to bear in mind.	隐喻	隐喻
	vague	4） PEOPLE tend to look vague when you mention Poitou.	隐喻	非隐喻

参考文献 57

[1]	LAKOFF G， JOHNSON M. Conceptual metaphor in everyday language［M］// SARASVATHY S， DEW N， VENKATARAMAN S. Shaping entrepreneurship research： made， as well as found. London： Routledge， 2020： 475-504.
[2]	LAKOFF G， JOHNSON M. Metaphors we live by［M］. Chicago： University of Chicago Press， 2003： 201-207.
[3]	SUARDANA I K. Grammatical metaphor in Pan BalangTamak： systemic functional linguistics perspective［J］. International Journal of Linguistics and Discourse Analytics， 2020， 2（1）： 14-28.
[4]	BOSMAN N. The cup as metaphor and symbol： a cognitive linguistics perspective［J］. HTS Teologiese Studies/Theological Studies， 2019， 75（3）： No.a5338.
[5]	FAXRIDDIN QIZI M U， TURSINALI QIZI M M， SHUXRAT QIZI N M， et al. The theoretical approaches to the study of metaphor in a cognitive aspect［J］. International Journal of Early Childhood Special Education， 2022（14）： 959-962.
[6]	TONG X， SHUTOVA E， LEWIS M. Recent advances in neural metaphor processing： a linguistic， cognitive and social perspective［C］// Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Stroudsburg： ACL， 2021： 4673-4686.
[7]	GROUP P. MIP： a method for identifying metaphorically used words in discourse ［J］. Metaphor and Symbol， 2007， 22（1）： 1-39.
[8]	WILKS Y. A preferential， pattern-seeking， semantics for natural language inference［J］. Artificial Intelligence， 1975， 6（1）： 53-74.
[9]	FASS D， WILKS Y. Preference semantics， ill-formedness， and metaphor［J］. American Journal of Computational Linguistics， 1983， 9（3/4）： 178-187.
[10]	SONG Z， TIAN S， YU L， et al. Multi-task metaphor detection based on linguistic theory［J］. Multimedia Tools and Applications， 2024， 83（24）： 64065-64078.
[11]	FENG H， MA Q. It’s better to teach fishing than giving a fish： an auto-augmented structure-aware generative model for metaphor detection［C］// Findings of the Association for Computational Linguistics： EMNLP 2022. Stroudsburg： ACL， 2022： 656-667.
[12]	YANG C， LI Z， LIU Z， et al. Deep learning-based knowledge injection for metaphor detection： a comprehensive review［EB/OL］. ［2025-02-25］..
[13]	张声龙，刘颖，马艳军. SaGE：基于句法感知图卷积神经网络和ELECTRA的中文隐喻识别模型［J］. 中文信息学报， 2024， 38（3）： 24-32.
	ZHANG S L， LIU Y， MA Y J. SaGE： syntax-aware GCN with ELECTRA for Chinese metaphor detection［J］. Journal of Chinese Information Processing， 2024， 38（3）： 24-32.
[14]	ZHANG L， YU L， TIAN S， et al. Sequential verb metaphor detection with linguistic theories［J］. Journal of Intelligent and Fuzzy Systems， 2022， 43（3）： 2765-2775.
[15]	SU C， WU K， CHEN Y. Enhanced metaphor detection via incorporation of external knowledge based on linguistic theories［C］// Findings of the Association for Computational Linguistics： ACL-IJCNLP 2021. Stroudsburg： ACL， 2021： 1280-1287.
[16]	HU E J， SHEN Y， WALLIS P， et al. LoRA： low-rank adaptation of large language models［EB/OL］. ［2025-02-25］..
[17]	PRAMANICK M， GUPTA A， MITRA P. An LSTM-CRF based approach to token-level metaphor detection［C］// Proceedings of the 2018 Workshop on Figurative Language Processing. Stroudsburg： ACL， 2018： 67-75.
[18]	CHEN X， HAI Z， WANG S， et al. Metaphor identification： a contextual inconsistency based neural sequence labeling approach［J］. Neurocomputing， 2021， 428： 268-279.
[19]	LI S， ZENG J， ZHANG J， et al. Albert-BiLSTM for sequential metaphor detection［C］// Proceedings of the 2nd Workshop on Figurative Language Processing. Stroudsburg： ACL， 2020： 110-115.
[20]	SUN S， XIE Z. BiLSTM-based models for metaphor detection［C］// Proceedings of the 2017 CCF International Conference on Natural Language Processing and Chinese Computing， LNCS 10619. Cham： Springer， 2018： 431-442.
[21]	ZAYED O， McCRAE J P， BUITELAAR P. Contextual modulation for relation-level metaphor identification［C］// Findings of the Association for Computational Linguistics： EMNLP 2020. Stroudsburg： ACL， 2020： 388-406.
[22]	GONG H， GUPTA K， JAIN A， et al. IlliniMet： Illinois system for metaphor detection with contextual and linguistic information［C］// Proceedings of the 2nd Workshop on Figurative Language Processing. Stroudsburg： ACL， 2020： 146-153.
[23]	SU C， FUKUMOTO F， HUANG X， et al. DeepMet： a reading comprehension paradigm for token-level metaphor detection［C］// Proceedings of the 2nd Workshop on Figurative Language Processing. Stroudsburg： ACL， 2020： 30-39.
[24]	LI S， YANG L， HE W， et al. Label-enhanced hierarchical contextualized representation for sequential metaphor identification［C］// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2021： 3533-3543.
[25]	SONG W， ZHOU S， FU R， et al. Verb metaphor detection via contextual relation learning［C］// Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 4240-4251.
[26]	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[27]	WAN H， LIN J， DU J， et al. Enhancing metaphor detection by gloss-based interpretations［C］// Findings of the Association for Computational Linguistics： ACL-IJCNLP 2021. Stroudsburg： ACL， 2021： 1971-1981.
[28]	CHOI M， LEE S， CHOI E， et al. MelBERT： metaphor detection via contextualized late interaction using metaphorical identification theories［C］// Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Stroudsburg： ACL， 2021： 1763-1773.
[29]	ZHANG S， LIU Y. Metaphor detection via linguistics enhanced Siamese network［C］// Proceedings of the 29th International Conference on Computational Linguistics. ［S.l.］： International Committee on Computational Linguistics， 2022： 4149-4159.
[30]	GE M， MAO R， CAMBRIA E. Explainable metaphor identification inspired by conceptual metaphor theory［C］// Proceedings of the 36th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2022： 10681-10689.
[31]	LI Y， WANG S， LIN C， et al. Metaphor detection via explicit basic meanings modelling［C］// Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics （Volume 2： Short Papers）. Stroudsburg： ACL， 2023： 91-100.
[32]	LIU X， ZHAO G. A comparative study of emotion metaphors between English and Chinese［J］. Theory and Practice in Language Studies， 2013， 3（1）： 155-162.
[33]	BARNDEN J. Broadly reflexive relationships， a special type of hyperbole， and implications for metaphor and metonymy［J］. Metaphor and Symbol， 2018， 33（3）： 218-234.
[34]	DANKERS V， REI M， LEWIS M， et al. Modelling the interplay of metaphor and emotion through multitask learning［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg： ACL， 2019： 2218-2229.
[35]	LE D M， THAI M， NGUYEN T H. Multi-task learning for metaphor detection with graph convolutional neural networks and word sense disambiguation［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2020： 8139-8146.
[36]	ZHANG S， LIU Y. Adversarial multi-task learning for end-to-end metaphor detection［C］// Findings of the Association for Computational Linguistics： ACL 2023. Stroudsburg： ACL， 2023： 1483-1497.
[37]	BADATHALA N， RAJAKUMAR KALARANI A， SILEDAR T， et al. A match made in heaven： a multi-task framework for hyperbole and metaphor detection［C］// Findings of the Association for Computational Linguistics： ACL 2023. Stroudsburg： ACL， 2023： 388-401.
[38]	TIAN Y， XU N， MAO W. A theory guided scaffolding instruction framework for LLM-enabled metaphor reasoning［C］// Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies （Volume 1： Long Papers）. Stroudsburg： ACL， 2024： 7738-7755.
[39]	WANG J， WANG J， ZHANG X. Chinese metaphor recognition using a multi-stage prompting large language model ［EB/OL］. ［2025-02-25］. .
[40]	XIAO K， YANG L， ZHANG X， et al. Combining LLM efficiency with human expertise： addressing systematic biases in figurative language detection［EB/OL］. ［2025-02-25］..
[41]	SENNRICH R， HADDOW B， BIRCH A. Neural machine translation of rare words with subword units［C］// Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2016： 1715-1725.
[42]	HU S， TU Y， HAN X， et al. MiniCPM： unveiling the potential of small language models with scalable training strategies［EB/OL］. ［2025-02-25］..
[43]	ZHENG Y， ZHANG R， ZHANG J， et al. LlamaFactory： unified efficient fine-tuning of 100+ language models［C］// Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics （Volume 3： System Demonstrations）. Stroudsburg： ACL， 2024： 400-410.
[44]	MOHAMMAD S， SHUTOVA E， TURNEY P. Metaphor as a medium for emotion： an empirical study［C］// Proceedings of the 5th Joint Conference on Lexical and Computational Semantics. Stroudsburg： ACL， 2016： 23-33.
[45]	STEHEN G J， DORST A G， HERRMANN J B， et al. A method for linguistic metaphor identification： from MIP to MIPVU preface［M］. Amsterdam： John Benjamins Publishing Company， 2010.
[46]	BIRKE J， SARKAR A. A clustering approach for nearly unsupervised recognition of nonliteral language［C］// Proceedings of the 11th Conference of the European Chapter of the Association for Computational Linguistics. Stroudsburg： ACL， 2006： 329-336.
[47]	BIRKE J， SARKAR A. Active learning for the identification of nonliteral language［C］// Proceedings of the 2007 Workshop on Computational Approaches to Figurative Language. Stroudsburg： ACL， 2007： 21-28.
[48]	GAO G， CHOI E， CHOI Y， et al. Neural metaphor detection in context［C］// Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2018： 607-613.
[49]	MAO R， LIN C， GUERIN F. End-to-end sequential metaphor identification inspired by linguistic theories［C］// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2019： 3888-3898.
[50]	PENNINGTON J， SOCHER R， MANNING C D. GloVe： global vectors for word representation［C］// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2014： 1532-1543.
[51]	C W （B） LEONG， KLEBANOV B B， HAMILL C， et al. A report on the 2020 VUA and TOEFL metaphor detection shared task［C］// Proceedings of the 2nd Workshop on Figurative Language Processing. Stroudsburg： ACL， 2020： 18-29.
[52]	WANG S， LI Y， LIN C， et al. Metaphor detection with effective context denoising［C］// Proceedings of the 17th Conference of the European Chapter of the Association for Computational Linguistics. Stroudsburg： ACL， 2023： 1404-1409.
[53]	ZHOU J， ZENG Z， BHAT S. CLCL： non-compositional expression detection with contrastive learning and curriculum learning［C］// Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2023： 730-743.
[54]	JIA K， LI R. Metaphor detection with context enhancement and curriculum learning［C］// Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies （Volume 1： Long Papers）. Stroudsburg： ACL， 2024： 2726-2737.
[55]	QIAO W， ZHANG P， MA Z L. A quantum-inspired matching network with linguistic theories for metaphor detection［C］// Proceedings of the 2024 Joint International Conference on Computational Linguistics， Language Resources and Evaluation. ［S.l.］： ELRA and ICCL， 2024： 1435-1445.
[56]	META AI. Introducing Meta Llama 3： the most capable openly available LLM to date［EB/OL］. ［2025-02-25］. .
[57]	TENENBAUM J B， DE SILVA V， LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction［J］. Science， 2000， 290（5500）： 2319-2323.

基于语言学多重不一致性的隐喻检测模型

Metaphor detection model based on linguistic multi-incongruity

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 57

相关文章 15

编辑推荐

Metrics

[1]	张滨滨, 秦永彬, 黄瑞章, 陈艳平. 结合大语言模型与动态提示的裁判文书摘要方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2783-2789.
[2]	冯涛, 刘晨. 自动化偏好对齐的双阶段提示调优方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2442-2447.
[3]	孙熠衡, 刘茂福. 基于知识提示微调的标书信息抽取方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1169-1176.
[4]	盛坤, 王中卿. 基于大语言模型和数据增强的通感隐喻分析[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 794-800.
[5]	孙晨伟, 侯俊利, 刘祥根, 吕建成. 面向工程图纸理解的大语言模型提示生成方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 801-807.
[6]	董艳民, 林佳佳, 张征, 程程, 吴金泽, 王士进, 黄振亚, 刘淇, 陈恩红. 个性化学情感知的智慧助教算法设计与实践[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 765-772.
[7]	马灿, 黄瑞章, 任丽娜, 白瑞娜, 伍瑶瑶. 基于大语言模型的多输入中文拼写纠错方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 849-855.
[8]	曹鹏, 温广琪, 杨金柱, 陈刚, 刘歆一, 季学纯. 面向测试用例生成的大模型高效微调方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 725-731.
[9]	鲁超峰, 陶冶, 文连庆, 孟菲, 秦修功, 杜永杰, 田云龙. 融合大语言模型和预训练模型的少量语料说话人-情感语音转换方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 815-822.
[10]	徐月梅, 叶宇齐, 何雪怡. 大语言模型的偏见挑战：识别、评估与去除[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 697-708.
[11]	杨燕, 叶枫, 许栋, 张雪洁, 徐津. 融合大语言模型和提示学习的数字孪生水利知识图谱构建[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 785-793.
[12]	何静, 沈阳, 谢润锋. 大语言模型幻觉现象的识别与优化[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 709-714.
[13]	陈维, 施昌勇, 马传香. 基于多模态数据融合的农作物病害识别方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 840-848.
[14]	秦小林, 古徐, 李弟诚, 徐海文. 大语言模型综述与展望[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 685-696.
[15]	袁成哲, 陈国华, 李丁丁, 朱源, 林荣华, 钟昊, 汤庸. ScholatGPT：面向学术社交网络的大语言模型及智能应用[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 755-764.