May, 2023

利用分类器筛选语料库：以在线清洁能源情感为例的案例研究

PDF
TL;DR本文探讨了如何使用经过预训练和微调的 transformer-based 模型筛选社交媒体数据集中的相关文档，以达到高准确度的目的。该方法的低成本和高性能意味着它对于具有不确定语料库边界的社交媒体数据集可能具有广泛的好处。
social mediacorporadata pipelinetransformer-based modelsbinary classification
发现论文，激发创造
  • 使用网络数据，仅限于网络数据超越精选语料库的 Falcon LLM 的 RefinedWeb 数据集

    本文表明，即使仅使用经过过滤和去重的网络数据，也可以训练出性能良好的大型语言模型，其训练数据量可以达到万亿级别，不需要过多地依赖于高质量的非网络数据的训练数据集。

    Jun, 2023

  • Twitter 主题分类

    本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

    Sep, 2022

  • 轮询潜在观点：使用变换器语言模型的计算机社会语言学方法

    使用 Transformer Language Models 等方法对 Yelp 评论进行语言行为学习，并利用 prompt-based queries 生成合成文本以分析特定观点，证明即使在缺乏特定关键词的情况下，这些模型也能准确产生具有正确情感的大量文本。

    Apr, 2022

  • 构建波斯语社交微博情感分析的口语数据集

    该研究提出了一种新的深度卷积神经网络模型以更有效地进行社交微博帖子中的口语文本情感分析，采用构建用户意见数据集，并使用不同的单词嵌入进行了评估，结果表明该模型具有 72％的准确性和有效性。

    Jun, 2023

  • 科学论文大型单主题文献库的交互式蒸馏

    利用机器学习技术构建针对科学文献的目标数据集工具，并通过主题建模进行文献综述，应用于机器学习领域。

    Sep, 2023

  • 使用集成数据清理方法开发高效语料库

    本研究旨在利用集成技术清洗医学数据集并开发语料库，数据清洗方法表明集成技术相对于单一过程具有最高准确率（94%），包括向量化、探索性数据分析和输入向量化数据。该研究的第二个目标是从数据集中提取答案，这对机器学习、数据清洗和医疗领域具有重要意义，同时也强调了 NLP 在医疗领域中准确及时提取信息的重要性，这可能关系到生死存亡。

    Jun, 2024

  • 筛选和生成：一种用于神经自然语言生成中语义和风格联合控制的语料库和方法

    通过自然描述性用户评论数据免费生成语义和样式标记富文本的可并行结构化意义表示的训练数据集，系统地探索样式标记如何实现神经模型输出的语义和样式联合控制，提出了 YelpNLG，一个跨越不同餐厅属性的高度风格多变的参考文本和富含语义的并行结构化意义表示语料库，实验结果表明该模型可以在保持语义的前提下，成功地达到多个样式目标，包括形容词的词汇选择，输出长度和情感。

    Jun, 2019

  • 提高自然语言处理变形金刚模型长期的分类可靠性

    本研究比较不同方法用于长期分类任务的 BERT 模型的微调，发现使用所有可用的未标记评论来微调模型是最佳解决方案，而仅关注模型之前未遇到的单词的评论并不可取，其中一个更有效的解决方案是从新时期的评论中随机抽样评论。

    Feb, 2023

  • 零样本基于提示的分类：德语推文中的主题标签

    基于最新的自然语言处理技术，本研究通过使用基于写作指南的文本对文本界面而无需提供培训样本的方法，评估其在实际应用中自动化注释任务中的效果，结果表明即使受到本地计算资源限制，这种以提示为基础的方法与经过优化的 BERT 模型相当，且无需任何已标记的训练数据。

    Jun, 2024

  • 基于 BERT 模型的 COVID-19 相关推文的虚假新闻检测和情感分析

    我们的团队 “techno” 参加了 CERIST'22 共享任务，利用自然语言处理工具和 BERT 预训练语言模型，对与 COVID-19 疫情有关的 4128 个推文进行了情感分析和 8661 个推文进行了虚假新闻检测任务，并获得了情感分析任务 0.93 的准确度和虚假新闻检测任务 0.90 的准确度。

    Apr, 2023