社交媒体上图像和文本数据的快速增长导致人们对多模态讽刺检测问题的关注不断提高。然而，现有基于特征提取融合的检测方法存在一些缺陷：一是大多数方法缺乏多模态检测所需的底层模态对齐能力，二是模态融合过程忽视了模态间的动态关系，三是未能充分利用模态互补性。为此，提出一种基于单模态监督对比学习、多模态融合和多视图聚合预测的检测模型。首先，以CLIP模型（contrastive language image pre-training）作为编码器来增强图像和文本底层编码的对齐效果。其次，结合单模态监督对比学习方法，通过单模态预测来指导模态间的动态关系。然后，设计了全局-局部跨模态融合方法，利用每种模态的语义级表示作为全局多模态上下文与局部单模态特征进行交互，通过多个跨模态融合层提高模态融合效果，并减小了以往局部-局部跨模态融合方法的时间和空间成本。最后，采用多视图聚合预测方法充分利用图像、文本和图文视图的互补性。总之，该模型能有效捕捉多模态讽刺数据的跨模态语义不一致性，在公开数据集MSD上取得了比现有最好方法DMSD-Cl更好的结果。
暂无评论