ACLFeb, 2020

众包工作者与自然语言处理工具在政治推文的命名实体识别和情感分析方面的性能比较

PDF
TL;DR比较了众包工作者和七个自然语言处理工具在命名实体识别和实体级情感分析两个重要 NLP 任务中的准确性，并测试了几个商业和开源工具，实验结果表明，在我们的政治推文数据集中，最准确的 NER 系统谷歌云 NL 表现几乎与众包工作者一样，但最准确的 ELS 分析系统 TensiStrength 的准确性与众包工作者的准确性相差很大，超过 30 个百分点。
发现论文，激发创造
  • TweetNLP：社交媒体的前沿自然语言处理

    TweetNLP 是一个支持社交媒体中自然语言处理任务（包括情感分析、实体识别、表情预测和辱骂识别）的综合平台，其采用基于 Transformer 的语言模型，专门用于处理社交媒体文本，提供 Python 库、在线演示和教程等多种支持。

    Jun, 2022

  • 推文中的命名实体识别与链接分析

    本文讨论了对于不规则、嘈杂、依赖上下文及动态性的推文（一种微博形式），运用自然语言处理技术进行挖掘和智能信息访问的挑战，重点关注了从推文中提取实体并进行实体消歧的任务，介绍了一个新的 Twitter 实体消歧数据集，并对多个最先进的 Named Entity Recognition & Disambiguation 模型进行了实证分析。

    Oct, 2014

  • 在 Tweebank 语料库上进行命名实体识别注释，并建立用于社交媒体分析的 NLP 模型

    本研究旨在创建 Tweebank-NER，一个基于 Tweebank V2 的英文 NER 语料库，用 TB2 训练最先进的 Tweet NLP 模型，并发布名为 Twitter-Stanza 的 NLP 管道。

    Jan, 2022

  • Twitter 上的命名实体识别：短期时间漂移的数据集和分析

    本研究旨在探索利用预训练模型进行 Twitter 命名实体识别的问题，构建了一个包含七个实体类型的数据集 TweetNER7，并提供了一组语言模型基线。通过分析不同时期对语言模型性能的影响，尤其是短期降级、基于不同时间段进行语言模型微调的策略和自我标记作为最近标记数据的替代方案。

    Oct, 2022

  • 2016 年美国总统选举期间情感分析众包贡献的动态分配

    本研究提出了一种基于动态分配众包的方法，以更低的成本从 Twitter 上收集关于美国总统候选人的意见标签，并通过决策树来分配更多的用户努力预测的具有讽刺意味的标题，从而提高标注精度。

    Aug, 2016

  • 选举相关推文自动检测和分类

    本文介绍了一种基于深度神经网络的技术框架，用于在 Twitter 上连续纵向地识别和分析选举相关的对话，其模型可以将选举相关的推文检测的 F 分数为 0.92，并将这些推文分类为 22 个主题，其 F 分数为 0.90。

    May, 2016

  • 使用 CNN-LSTM 模型对波斯语推文进行政治情感分析

    本论文采用词袋和 ParsBERT 进行机器学习和深度学习模型分析波斯语政治推文的情感，结果表明，使用 ParsBERT 嵌入的深度学习模型优于机器学习模型，在第一组具有三个类别的数据集上，CNN-LSTM 模型的分类精确度最高，达到 89％，在第二组具有七个类别的数据集上，分类精度为 71％，由于波斯语的复杂性，此研究的效率相对较低。

    Jul, 2023

  • 揭示社交媒体评论的新型身份群体命名实体识别系统

    我们开发了一种适用于社交媒体的具有命名实体识别功能的仇恨言论检测工具，该工具能准确识别攻击性言论并标记相关群体。在社交媒体的案例研究中证明了工具的实用性，并对不同类型的攻击进行了对比和分析。

    May, 2024

  • 从新闻中学习：在 Twitter 上预测实体的热度

    本文使用监督学习方法，基于新闻周期预测 Twitter 上实体的受欢迎程度，并提取四类特征进行预测，结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。

    Jul, 2016

  • 旅游领域多语言社交内容的最佳分析策略

    社交媒体平台在各领域的日益影响，包括旅游业，凸显了有效且自动化的自然语言处理（NLP）方法对这一宝贵资源的需求。在这项工作中，我们评估和比较了针对旅游领域中常见的 3 个 NLP 任务（情感分析、命名实体识别和细粒度主题概念提取）的几种 few-shot、模式利用和微调机器学习技术在大型多语言语言模型（LLMs）上的性能，以确定解决领域特定数据集构建中 NLP 研究人员常遇到的标注示例数量问题的最佳策略。通过对新收集和注释的由旅游相关推文组成的多语言（法语、英语和西班牙语）数据集进行广泛实验，我们发现当前的 few-shot 学习技术可以在很少的注释数据的情况下为这三个任务获得具有竞争力的结果，情感分析每个标签（总共 15 条）标注 5 条推文，位置检测的推文量为 10%（大约 160 条），而包含主题概念的推文量约为 13%（大约 200 条），这是一项高度细粒度的基于一个包含 315 个类别库的序列标注任务。这项基于新数据集的比较分析为将 NLP 应用于新的领域特定应用铺平了道路，减少了手动标注的需要并绕过了基于规则的临时解决方案的复杂性。

    Nov, 2023