EMNLPJan, 2023

TEDB 2022 委婉语检测挑战赛系统介绍

PDF
TL;DR本研究探索基于 Transformers 的模型在委婉语检测中的表现，使用 TweetEval / TimeLM 预训练 RoBERTa 模型作为特征提取器前端和 KimCNN 分类器后端，最优结果为 0.816 F1-Score。我们观察到，在其他任务上进行预训练模型，如讽刺检测，会产生较低的 F1 得分。同时，增加词向量通道的数量并不能提高性能。
transformerseuphemism detectiontext classificationpretrained modelsf1-score
发现论文，激发创造
  • 基于情感感知共享编码器的仇恨言论和攻击性语言检测

    通过多任务联合学习中的情感特征提取方法，本文使用 Bert 和 mBert 模型提升了社交媒体平台上有害内容的探测，实现了数据高效率和更好的分类效果。

    Feb, 2023

  • 委婉语检测任务报告

    该研究报告涉及 2022 EMNLP 会议上第三届比喻语言处理研讨会共享任务 - 委婉语探测，通过针对调查给定文本中是否包含委婉语的研究任务，利用 PETs 与 GloWbE 语料库来收集句子，参与者使用不同的方法进行分析并提供结果、主题和发现。

    Nov, 2022

  • FEED PETs: 潜在委婉术语消歧的深入实验和扩展

    本研究使用 Transformer 模型在英语委婉语消歧任务中，增加了新的任务：注释委婉语中的模糊性，并在三种不同的语言（如 Yoruba、西班牙语和中文）中建立了委婉语语料库，最终使用多语言 Transformer 模型进行了消歧试验。

    May, 2023

  • IUST_NLP 参加 SemEval-2023 第 10 项任务：基于 Transformers 和任务自适应预训练的可解释性性别歧视检测

    本论文描述了我们的系统，旨在设计出一个自动系统来探测和分类在线空间中的性别歧视内容。我们提出了一组基于 transformer 的预训练模型，通过任务适应式预训练和集成学习相结合。通过分析不同的 transformer-based 预训练模型的性能以及组合这些模型，提供了一种使用大量未标注数据的有效方法，同时还探索了几种其他策略。在测试数据集上，我们的系统分别在子任务 A，B 和 C 上取得 83％，64％和 47％的 F1 分数。

    May, 2023

  • 利用心理语言学特征和 Transformer 提升基于文本的情感检测的泛化能力

    本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

    Dec, 2022

  • 探究少样本学习和零样本学习中的委婉语检测

    本文扩展了 EMNLP 2022 FigLang Workshop 中提出的委婉语检测任务为 few-shot 和 zero-shot 设置，并使用 RoBERTa 和 GPT-3 在这些设置下对数据集进行了实验。我们的实验表明，语言模型能够较好地分类委婉语词汇，即使是在训练中未见过的新术语，这表明它能够捕捉到与委婉语相关的更高级别的概念。

    Oct, 2022

  • BanglaNLP 在 BLP-2023 任务 1 中：对孟加拉语中激发暴力的文本检测进行不同的 Transformer 模型评估

    本研究通过开发系统解决孟加拉暴力煽动文本检测的共享任务，探讨了我们所采用的传统和最新方法，该系统有助于分类给定文本是否包含威胁。实验研究了在有限数据集情况下数据增强的影响，定量结果表明，与其他基于变压器结构的模型相比，微调多语言 - e5 基础模型在任务中表现最佳。 在测试集中，宏 F1 得分达到了 68.11％，并且在该共享任务的排行榜中排名第 23 位。

    Oct, 2023

  • 2024 年多模态仇恨言论事件检测中的 MasonPerplexity：使用 Transformer 集合进行仇恨言论和目标识别

    自动识别具有攻击性语言，例如仇恨言论，对于保持在线社区中的讨论文明至关重要。这篇论文介绍了 MasonPerplexity 在 CASE 2024 和 EACL 2024 的多模式仇恨言论事件检测共享任务上的提交。

    Feb, 2024

  • 多语言冒犯性语言识别的文本对文本模型

    社交媒体上冒犯内容的普遍存在是公司和政府组织越来越关注的问题。本研究提出了第一个具有编码器 - 解码器结构的预训练模型，用于冒犯语言识别，并在两个大型冒犯语言识别数据集（SOLID 和 CCTK）上训练。研究结果表明，预训练的 T5 模型在多个英文基准测试中优于其他基于变压器的模型，在多语言场景中，多语言预训练模型在所有上述数据集上实现了新的最优表现。

    Dec, 2023

  • UHH-LT 在 SemEval-2020 任务 12 中：针对攻击性语言检测的预训练 Transformer 网络微调

    本文采用预训练 transformer 网络，使用无监督的 MLM 任务进行微调，提高该网络在检测攻击性语言的任务上的性能，取得可观的成果。

    Apr, 2020