文章介绍了一种基于规则的实体提取器来提取文本中的数字数量，并支持包括常见和不常见的度量单位，最终提出了支持测量信息的搜索引擎。

May, 2015

该研究通过命名实体识别和问答结合分析 SemEval-2021 的毒性评论任务，提高了评论毒性区分的准确性。

Apr, 2021

本文介绍 SemEval 任务，研究从科学文档中提取关键词语和它们之间的关系，以帮助读者理解哪些文章描述了哪些过程、任务和材料，共有 26 个队伍进行了 3 种评估场景的提交，任务和发现对于研究科学内容、以及广泛的知识库人口和信息提取社区都具有重要意义。

Apr, 2017

本研究使用多个预训练语言模型，包括 BERT、XLNet、RoBERTa、SciBERT 和 ALBERT，通过冻结和微调它们的权重，并探索多任务架构，以解决 SemEval-2020 中的三个 DeftEval 子任务，最终取得 32 和 37 名的成绩。

Sep, 2020

我们介绍了一个语义实体相似度数据集 WES，其中包含 11M 个例子，专注于领域，旨在评估 QA：这些例子是实体和短语，分组为语义聚类以模拟多个 ground-truth 标签，用于预测人类正确性判断的基本交叉编码器度量优于四个经典度量。

Feb, 2022

介绍我们在 SemEval-2016 Task 3 on Community Question Answering 中的系统，我们通过结合丰富的语义、词汇、元数据和用户相关特征，在子任务 C 上取得了最好的结果，在子任务 A 和 B 上也取得了强大的结果，其中元数据的组合对于问题和评论是最重要的，在子任务 A 和 C 中使用 QatarLiving 数据训练的语义向量和问题与评论之间的相似性，在子任务 B 中使用原始问题与相关问题之间的相似性。

Sep, 2021

本文描述了 BUT-FIT 团队在 SemEval 2020 任务 4（常识验证和解释）中的工作，涉及三个子任务：A、B、C。其中，在子任务 A 和 B 中，我们的提交基于预训练语言表示模型和数据增强。我们尝试了使用多语言模型和机器翻译数据集或翻译模型输入来解决另一种语言（捷克语）的任务。在子任务 C 中，我们的提交基于预训练序列到序列模型，排名第一。我们还对所有子任务进行了误差和数据集分析，并提出了我们的发现。

Aug, 2020

本研究介绍了一个新颖的多模式多任务学习架构，该架构将 ALBERT 文本编码与 VGG-16 图像表示相结合，可用于分析互联网迷因，该方法在 SemEval-2020 Task 8 比赛的三个子任务中，均超过了官方基线结果。

Sep, 2020

本篇论文提出了一项新的任务 SemEval-2010：对名词对之间的互斥语义关系进行多方分类，目的是评价不同的方法以及提供未来研究的标准测试平台，文中定义了任务，描述了数据集的创建过程，并讨论了 10 个组中 28 个系统的参与结果。

Nov, 2019

SemEval-2017 任务三关于社区问答，重新运行了 2016 年的四个子任务，提供了 2015 年和 2016 年的所有数据作为训练数据，并为测试提供了新数据，同时添加了一个新的子任务 E，以便在更大规模的情况下使用 StackExchange 子论坛进行多领域问答重复检测的实验。

Dec, 2019