本研究使用 RoBERTa 和数据增强等技术探讨社交媒体中的性别歧视检测，并进一步研究了不同数据增强技术，研究结果仍有提升空间。

Feb, 2023

本文基于 XLM-T 提出了一种基于 transformer 的系统，用于预测多语言推特的亲密度，使用英语翻译数据可用于优化训练和推理，取得了 0.599 的总体 Pearson's r 值和排名第四的成绩。

Apr, 2023

本文介绍了作者在 SemEval 共享任务 9 中对给定文本的亲密度水平进行预测的研究工作，采用多语言模型的集成和语言特定的单语模型，并评估了其他数据增强方法，最后呈现了一些有价值的研究结果。

Dec, 2023

本文提出了一种在社交媒体帖子中检测和分类在线性别歧视的方法，使用了 BERTweet、RoBERTa 和 DeBERTa 等 fine-tuned transformer-based 模型，并采用数据增强和半监督学习来改善模型的泛化能力和应对类别不平衡问题，在 SubtaskA 获得了 0.8613 的 F1 得分，排名第十。

Apr, 2023

本文介绍了我们的系统，以应对针对于 SemEval-2022 任务 8：多语言新闻文章相似性。我们提出了一种受语言学启发的模型，采用了几个任务特定的策略进行训练。我们的系统的主要技术包括：1）数据增强，2）多标签损失，3）适应 R-Drop，4）头尾组合中的样本重构。我们还对一些负面方法进行了简要分析，例如两塔架构。我们的系统在排行榜上排名第 1，并在官方评估集上实现了 0.818 的皮尔逊相关系数。

Apr, 2022

本文提出利用多语言 Transformer 模型，通过使用自动翻译进行数据增强，来适应非英语语言中的小型推特语料库，以提高转换器的效果。

Oct, 2020

提出了一个名为 MINT 的针对 13,372 条推文的多语言亲密性分析数据集，并在英语、法语、西班牙语、意大利语、葡萄牙语、韩语、荷兰语、中文、印地语和阿拉伯语等 10 种语言上进行了基准测试，并发布了该数据集。同时，与此数据集相关的语义分析比赛任务为 SemEval 2023 Task 9: Multilingual Tweet Intimacy Analysis。

Oct, 2022

本文介绍了在 SemEval 2023 多语言推文亲密度分析共享任务中的提交。任务的目标是评估十种语言的 Twitter 帖子的亲密程度。所提出的方法由几个步骤组成，包括域内预训练、训练回归模型的集成以及使用伪标记示例扩展训练集等。该方法在十个语言子任务中有五个排名第一，在所有语言中获得了最高平均分数。

Apr, 2023

跨语言信息亲密度的多语言 Tweet 分析，通过融合预训练模型与少量合成数据，提出了一种跨语言迁移学习方法 HeFiT，进一步探究其对模型域适应和零样本学习的影响，显著提高了模型性能，证实了合成数据在零样本学习中的作用。

Mar, 2023

本文探讨了自然语言处理、迁移学习和数据利用等技术在编程语言任务中的应用以及基于增强方法的模型训练，该方法可使代码翻译和摘要的准确率分别提高至 6.9% 和 7.5%。

Feb, 2023