图1是以因子图形式表示的模型。由圆圈表示的变量和由方块表示的因子，定义了涉及其所连接的变量的势函数。

　　假设1最直接，通过φ(X, Z) 和φ(Y, Z)因子表示。这一假设可以在数学上表示为：

　　其中f (x, z)是度量x和z联合出现概率的函数。

　　关于假设2，如果有一些属性非常常见，能用于描述几乎所有事物（比如新、免费、好），那么它们导出的句子很可能是糟糕的笑话。属性Z越不寻常，就越可能引起惊奇，这是笑话幽默的来源。

　　我们在因子φ1(Z)中表达了这一假设：

　　假设3是基于这一观察，即一个属性，在一种语义下描述了名词X，描述名词Y却是另一种语义。

　　我们用in φ2(Z)表示：

　　假设4表达了两个名词间的不相似性会引出更多的幽默，因为一个属性对二者的同时描写会超出听者的期待。我们用φ(X, Y ) 来鼓励两个名词间的不相似性：

　　关于数据和实验

　　为了估算f(x,y)和f(z)，我们使用Google n-gram数据（Michel et al.，2010），特别是Google 2-gram数据。我们使用Wordnet (Fellbaum, 1998)中与该词相关联的最常见的词性标签（POS）来标记2-gram中的每个词。在我们有了POS标记的Google 2-gram数据后，我们提取所有的（名词，形容词）对，并使用他们的计数来估算f(x,z) 和f(y,z)。

　　需要特别指出，尽管我们在论文中使用了Wordnet，我们的方法并不特别依赖它。我们仅仅使用它来取得一些浅层信息。

　　我们分两阶段评估了我们的模型。首先，自动评估从推特上搜集来的笑话；然后，拿人类生成的笑话和用我们方式生成的笑话做比较。

　　关于模型、数据和实验的更多内容，请点击论文链接阅读。

　　原文地址：

「招聘」

全职记者、编译和活动运营

欢迎实习生

以及人工智能翻译社志愿者

详细信息请进入公众号点击「招聘」

或发邮件至 [email protected]