「看不见的隐喻和潜意识。」

本文研究了新自动化工具在阿拉伯隐喻语料库中的情感分类，填补了阿拉伯隐喻情感分析的空白。采用语义情感标签，评估标准包括F值、召回率和准确率，首次揭示了阿拉伯网络隐喻对情感的影响。

本研究提出了一种基于隐喻的越狱攻击方法MJA，旨在解决文本到图像模型的安全漏洞。MJA通过生成隐喻式对抗提示，提高了攻击效果和查询效率，实验结果显示其在多种模型上表现良好。

本研究提出了一种灵活的隐喻设计方法，以解决语音用户界面（VUI）设计中静态隐喻无法适应多样化背景的问题，从而显著提升用户的接受意图和愉悦感。

本研究提出了一种多智能体框架DRT-o1，旨在解决机器翻译中因文化差异引起的比喻和隐喻翻译问题。实验结果显示，该方法显著提高了文学翻译的质量。

本文介绍了一种新型深度学习架构，专注于隐喻的捕捉与生成。研究表明，该架构在隐喻识别和生成方面优于现有方法，尤其在流利度和创造性上表现突出。此外，提出了多任务隐喻生成框架，以解决数据稀缺问题，并展示了大型语言模型与扩散模型的协作潜力。

本研究提出了一种多语种和单语种隐喻检测方法，利用MIPVU方法和CoMeta数据集，进行英语和西班牙语的跨语言实验。研究表明预训练语言模型中隐喻性知识的泛化性，并探讨了在资源匮乏语言中的性能提升。此外，创建了多语言比喻推理数据集，以评估模型处理比喻语言的能力，并强调文化和区域概念对比喻表达的影响。

本研究提出了一种多语种和单语种隐喻检测方法，利用MIPVU方法和CoMeta数据集，分析隐喻特征及其在自然语言处理中的应用。研究表明，语境特征对隐喻识别至关重要，并提出了自动化流程以识别难度较大的隐喻。同时，实验发现现有数据集可能存在偏倚，影响隐喻识别的准确性。

为了评估大型语言模型（LLMs）对隐喻理解的能力，研究人员发布了隐喻理解挑战数据集（MUNCH），其中包含超过10k个含隐喻用法的句子的释义和1.5k个含不恰当释义的实例。实验表明，MUNCH对LLMs来说是一个具有挑战性的任务。

本文研究了比喻识别数据集的篡改问题，发现基于语言模型的系统在缺乏完整信息时仍具有竞争力。同时，通过从自然语料库中抽样，得到更具挑战性和可靠性的数据集。

本研究评估了大型语言模型处理比喻的能力，发现小型和非常大型模型性能差异巨大，最大模型接近人类水平但需要多次提示。

该文提出了一种以期望组件和实现组件为主要模块的隐喻检测架构，通过ER模式训练学习，对三个隐喻数据集进行评估，结果显示该方法具有与现有技术相当或更好的效果，并且通过ER模型的集成可以提高隐喻检测的准确性。