Apr, 2022

SemEval-2022 任务 2: 多语言习语检测和句子嵌入

PDF
TL;DR这篇论文介绍了跨语种成语识别和句子嵌入的共享任务，包括二分类任务和基于文本相似度的任务，并说明了训练数据、数据集、评估指标、参与系统和结果。这项任务吸引了近 100 个注册参与者，成立了 25 个团队，在实践和评估阶段共提交了超过 650 和 150 份提交 respectively。
multilingual idiomaticity detectionsentence embeddingbinary classificationsemantic text similaritytraining data
发现论文，激发创造
  • 用 BERTRAM 学习惯用语表示的 SemEval-2022 任务 2 中的 drsphelps

    本文介绍了我们对 SemEval-2022 第二项任务 2 多语种成语检测和句子嵌入的子任务 B 进行的系统描述。通过添加每个成语的嵌入，我们修改了标准 BERT 句子转换器，这些嵌入是使用 BERTRAM 和少量上下文创建的。我们展示了这种技术提高了成语表征的质量，并在任务上导致了更好的表现。我们还对最终结果进行了分析，表明所产生的成语嵌入的质量对输入上下文的质量非常敏感。

    Apr, 2022

  • OCHADAI 在 SemEval-2022 任务 2 中：针对多语言成语鉴别的对抗训练

    本文提出了一种多语言对抗训练模型，以判断一个句子是否包含习语表达。该模型利用不同多语言最先进的基于转换器的语言模型（即多语言 BERT 和 XLM-Roberta）的预训练上下文表示以及对抗性训练，提高模型的泛化能力和鲁棒性，在不依赖于人工创造的特征，知识库或除目标数据集以外的其他数据集的情况下，我们的模型取得了有竞争力的结果，在 SubTask A（零样本）设定中排名第 6 位，在 SubTask A（单样本）设定中排名第 15 位。

    Jun, 2022

  • UAlberta 参加 SemEval 2022 任务 2: 利用术语注释和翻译进行多语言成语检测

    该研究介绍了阿尔伯塔大学关于 SemEval-2022 任务 2 多语言惯用语检测的系统，研究者开发的两种方法在分别结合单词含义和翻译理解的基础上，使用现有的词汇知识，取得了有利的结果。

    May, 2022

  • HiJoNLP 参加 SemEval-2022 任务 2: 使用多语言预训练语言模型检测多词表达的成语性

    使用多语言预训练语言模型的上下文表示仅探测习语性的方法，实验发现模型规模越大在习语性探测上越有效。然而，使用较高的模型层不一定能够保证更好的性能。在多语言场景下，不同语言的融合不一致，资源丰富的语言比其他语言更具有优势。

    May, 2022

  • SemEval-2024 任务 8：多领域、多模型和多语种机器生成文本检测

    SemEval-2024 Task 8 的主要发现是多生成器、多领域和多语言的机器生成文本检测。

    Apr, 2024

  • HIT 在 SemEval-2022 任务 2 中的表现：预训练语言模型用于成语检测

    通过使用预训练的语言模型，我们可以提供上下文感知的句子嵌入来检测句子中的多词表达是否是惯用用法，从而更好地理解多词表达的惯用含义。

    Apr, 2022

  • HYU 在 SemEval-2022 任务 2 中：在不同层次的语境化考虑下有效的习惯用语检测

    本研究提出了一个多层次的统一框架，用于在不同层次上考虑语境作用的方方面面，以更好地识别多词表达式的习语性。通过广泛的实验，我们证明了我们的方法基于目标 MWE 的内部和句间语境是有效的，在提高相关模型性能方面具有显著作用。同时，我们详细分享了在 SemEval-2022 任务 2 上的经验教训，以期对同类任务未来的工作有所裨益。

    Jun, 2022

  • SemEval-2017 任务 2 中的 ConceptNet: 用多语言关系知识扩展词嵌入

    使用基于 ConceptNet 的知识图谱和分布式语义学，第一次在 SemEval 2017 任务 2 “多语和跨语义词相似度” 中构建高质量多语词嵌入，目前在与多种语言相关的子任务中占据第一名。

    Apr, 2017

  • JARVix 参加 SemEval-2022 任务 2：了解一个人需要一个人吗？使用零阶和一阶学习进行成语性检测

    本文采用二分法进行假语汇的检测，使用由英语和葡萄牙语中字面和惯用用法的 Mult-word expressions 组成的数据集，在零 - shot 和一 - shot 两种不同的情境下执行分类，并使用多个 LLMs 进行训练，其在零 - shot 设置下的 F1 得分（宏）为 0.73，在一 - shot 设置下的 F1 得分（宏）为 0.85。

    Feb, 2022

  • 跨语言释义识别

    通过对比式编码器模型在多语言环境下进行训练，实现检测多语言环境中的困难释义，得到可用于语义搜索等多种任务的嵌入向量，并在下游任务中评估模型性能和嵌入向量质量，与当前最先进的交叉编码器相比，在所选择的数据集中只有 7-10% 的最小相对下降，同时保持嵌入向量的良好质量。

    Jun, 2024