COLINGSep, 2022

基于自然语言推理的跨语料零样本情感分类提示

PDF
TL;DR本研究通过分析不同的提示公式，以及使用基于自然语言推理的分类器，探讨零样本学习情感分类问题。并且通过使用多个提示公式的组合，实现了更加稳定且表现良好的情感分类。
textual emotion classificationzero-shot learningnatural language inferenceprompt formulationensemble
发现论文，激发创造
  • 使用英文提示比目标语言提示更好地进行基于 NLI 的零射手情感分类

    情感分类是一个具有挑战性和主观性的任务，需要解释文本刺激所需的认知推理过程。本文针对存在的研究空白，探讨了在非英语文本中使用哪种语言进行情感标签提示的问题，并通过自然语言推理基于语言模型的实验结果表明，即使数据来源是不同语言，使用英语提示更为有效。

    Feb, 2024

  • 克服提示扰动敏感性的零样本方法

    该研究旨在在零 - shot 设置中找到高质量的 prompt。我们的自动化方法使用位置、推理和释义技术生成多个与基本 prompt 类似的 prompt，然后使用新的度量标准对这些 prompt 进行排名。我们实验证明，排名靠前的 prompt 是高质量的，显著优于基本 prompt 和使用 few-shot learning 生成的 prompt，适用于句子级情感分类任务。

    May, 2023

  • Gen-Z: 基于上下文化标签描述的生成式零样本文本分类

    Gen-Z 是一种用于零食文本分类的生成提示框架，通过在标签的自然语言描述上依赖语言模型的可能性来改善任务性能，并在多个标准分类基准上展现了优越性能。

    Nov, 2023

  • 情绪刺激：通过心理学为大型语言模型提升增强

    大语言模型通过 EmotionPrompt 在情绪智能方面进行性能提升，取得了显著的成果，有助于人类与语言模型的跨学科知识交互。

    Jul, 2023

  • 零样机任务推广的提示一致性

    本文探讨了如何利用未标记的数据以提高自然语言处理任务的零样本性能，并通过规范提示一致性来鼓励模型的一致预测，并取得了实验结果上的进展和成果。

    Apr, 2022

  • 零样本分类中的提示复杂度导航：计算社会科学中大型语言模型的研究

    在计算社会科学分类任务中，评估了 ChatGPT 和 OpenAssistant 两种公共可访问的 LLM 的零次效果，并研究了各种提示策略的影响。发现在零次设置下，当前 LLMs 无法与较小的经过微调的基线变压器模型（如 BERT）的性能匹配。此外，发现不同的提示策略可以显着影响分类准确性，准确性和 F1 分数的差异超过 10％。

    May, 2023

  • 情绪条件下的文本生成通过自动提示优化

    我们提出了首个自动提示优化方法，用于以情绪为条件的文本生成，使用一个迭代的优化过程通过添加、删除或替换标记来改变提示。通过将生成的文本中的情感条件的实现度量作为目标函数，我们将该方法应用于以情绪为条件的文本生成，并将其与手动设计的提示进行比较。优化的提示在实现情感条件方面达到了 0.75 的宏平均 F1，而手动设计的提示仅达到了 0.22 的宏平均 F1。

    Aug, 2023

  • 文本分类的语言模型：局部学习是否足够？

    在这篇论文中，我们通过对 16 个文本分类数据集进行大规模评估研究，比较了零样本和少样本的大型语言模型与微调较小语言模型在文本分类方面的表现。结果表明，更小且更高效的语言模型的微调仍然能胜过大型语言模型的少样本方法，在文本分类方面有改进的空间。

    Mar, 2024

  • 挖掘式零样本学习：基于语言模型的搜索方法

    本文提出了一种使用正则表达式从未标记语料库中挖掘标记示例的替代模板提示方法，通过微调预训练模型，相比模板提示方法更加灵活和可解释，在使用相似模板时在多个任务中表现出更好的性能。

    Oct, 2022

  • 利用自然语言提示控制语音合成中的情感

    我们提出了一种通过由情感丰富的文本衍生出的嵌入来作为提示信息的系统，通过在基于 Transformer 的架构内多次集成发言者和提示信息的联合表示。我们的方法在合并情感语音和文本数据集上进行训练，并在每次训练迭代中变化提示信息，以增加模型的泛化能力。客观和主观评估结果表明，该条件合成系统能够准确地将提示中的情感转移到语音中。同时，保持了发言者身份的精确可追踪性以及整体的高话语质量和可理解性。

    Jun, 2024