该论文介绍了我们的系统如何结合大型预训练语言模型和双重多头互注意力层以加强问题 - 答案对与段落之间的关系，在此基础上通过增加层归一化模块和 WordNet 的定 义作为额外输入来优化我们的模型，从而在 SemEval 2021 Task 4 的官方测试集中获得了 86.67% 和 89.99% 的准确率。

Mar, 2021

本文介绍了一种基于注意力机制的循环神经网络模型，该模型在 2017 年 SemEval 跨语言语义文本相似度（STS）任务中取得了竞争性表现（前六名），并描述了我们参加跨语言 STS 任务的情况，该任务涉及英语、西班牙语和阿拉伯语的相似度比较。

Mar, 2017

本文描述了我们关于 SemEval-2018 任务 11 的研究：利用通识知识的机器阅读理解系统。我们使用三向注意力网络（TriAN）来模拟段落、问题和答案之间的交互，并通过来自通识知识概念网络的关系嵌入增强输入。因此，我们的系统在测试数据中实现了 83.95% 的最高准确性，代码可公开获取。

Mar, 2018

本研究提出了一种基于双向长短期记忆的新型两层注意网络，利用 WordNet 生成知识图嵌入来提高情感分析的预测能力，将其与基于支持向量回归和多层感知机网络的监督模型相结合，实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统，分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。

May, 2018

本文提出了一种集成方法来从论述文本中检测人类价值观，该方法包括三个模型，并通过不同的方法组合实验，最终获得 0.48 的 F1 分数。

May, 2023

我们进行了实验，旨在识别论据背后的人类价值观，通过在模型训练过程中引入人类价值观的定义来提高预测性能，结果表明我们提出的模型相比于挑战组织者的基线模型表现更好，宏 F1 分数提高了高达 18%。

Feb, 2023

本文提出了一种基于视觉物体检测和不同文本语义的多语言多模态表示的模型，采用多头注意力机制对两种语言的文本语义和视觉对象进行细粒度对齐，从而学习到更好的视觉 - 语义嵌入空间，并在多个任务上展现了比其他方法更显著的性能提升。

Sep, 2019

该研究使用多标签对比损失在多语言环境下对大型预训练语言模型进行微调，在 SemEval-2023 任务 3 子任务 2 的 Framing Detection 中表现竞争力十分强劲。

Apr, 2023

本文研究了如何有效地将句法知识融入语义角色标注（SRL）任务中，使用不同质量和表示的依赖树的不同编码方法，提出了一种句法增强的自注意模型，并与其他两种强基准方法进行了比较，并使用新发布的深度上下文化词表示进行了实验。实验结果表明，通过正确地融合高质量的句法信息，我们的模型在 CoNLL-2009 数据集的中文 SRL 任务中取得了新的最佳表现。

Oct, 2019

本文介绍了 BLCU-ICALL 系统在 SemEval-2022 任务 1 中使用的 transformer-based multitasking framework，该框架通过交叉注意机制集成多种嵌入模型并通过掩码语言模型目标捕捉词条结构，同时还研究了一种简单有效的模型组合策略以提高鲁棒性，评价结果表明我们的方案非常有效。

Apr, 2022