Nov, 2023

nlpBDpatriots 在 BLP-2023 任务 2 中的应用：孟加拉情感分析的迁移学习方法

PDF
TL;DR本文讨论了 nlpBDpatriots 参加首届与 EMNLP 合作举办的 Bangla 语言处理（BLP）研讨会上共享任务的社交媒体帖子情感分析。我们使用孟加拉语数据集，该数据集由共享任务组织者提供，并注有积极、中性和消极标签，旨在确定社交媒体内容的极性。我们最好的系统是数据增强的迁移学习方法，其 micro F1 分数达到 0.71。在参加比赛的 30 支球队中，我们的最好系统排名第 12 位。
nlpbdpatriotssentiment analysisbangla social media postsbangla language processingtransfer learning
发现论文，激发创造
  • BanglaNLP 参与 BLP-2023 任务 2：对孟加拉社交媒体帖子的情感分析进行不同 Transformer 模型的基准测试

    这篇论文使用基于 Transformer 的架构进行情感分析，以解决 Bangla 这种低资源语言的问题，并通过细调模型在推特数据上获得最佳性能。同时，还进行了详细的错误分析。

    Oct, 2023

  • RSM-NLP 在 BLP-2023 任务 2 中：使用加权和多数投票的精调 Transformer 进行孟加拉情感分析

    本论文描述了我们在 BLP 研讨会的共享任务 2 中对孟加拉社交媒体帖子进行情感分析的方法，我们通过使用多语言 BERT 模型进行实验和微调，并使用多数投票和加权集成模型，取得了优于基准模型的成绩，分数为 0.711，排名共享任务排行榜的第 10 位。

    Oct, 2023

  • BLP 2023 任务 2：情感分析

    介绍了 BLP 情感共享任务的概述，该任务是在 2023 BLP 研讨会上举办的，与 EMNLP 2023 同时举行。该任务的定义是在给定的社交媒体文本中检测情感。

    Oct, 2023

  • nlpBDpatriots 在 BLP-2023 任务 1 中的两步分类：孟加拉语暴力煽动文本检测

    我们讨论了 nlpBDpatriots 参与的暴力煽动文本检测共享任务，并通过两步分类使用后向翻译和多语种方法，在 27 个团队中排名第 6，宏观 F1 得分为 0.74。

    Nov, 2023

  • BLP-2023 任务 2 的低资源方案：利用 BanglaBert 进行孟加拉语低资源情感分析

    该研究以 BanglaBert 为基础，利用多种策略进行情感分析，并建立了一个包含三种最佳 BanglaBert 变体的集成模型，在 BLP-2023 中的排名为第三。

    Nov, 2023

  • 使用迁移学习和联合双输入自注意力学习的印地语 / 孟加拉语情感分析

    本文是在探索如何使用深度神经网络进行迁移学习和联合双输入学习，以有效地分类印地语和孟加拉语数据的情感和检测仇恨言论。我们使用 Word2Vec 单词嵌入进行训练，然后使用 BiLSTM 和自我关注来进行分类。

    Feb, 2022

  • BanglaBook：基于图书评论的大规模孟加拉情感分析数据集

    本研究旨在解决对于孟加拉语资源与跨领域适应性缺乏研究的限制，因此提出一个大规模的孟加拉语电子书评论数据集， 使用各种机器学习模型分析数据，发现预训练模型比手工特征模型具有更高的性能，同时进行错误分析以提供关于在孟加拉语等欠资源语言中常见的分类错误的见解。

    May, 2023

  • 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

  • UBC-DLNLP 参加 SemEval-2023 任务 12：迁移学习对非洲情感分析的影响

    该研究通过使用六种语言模型并采用迁移学习和微调技术，开发了用于 14 种不同非洲语言情感分析的多语言模型，最终在开发和测试数据中取得了 F1 得分。结果表明跨多种语言的情感分析可以通过迁移学习和微调技术实现，该方法可以应用于其他语言和领域的情感分析任务。

    Apr, 2023

  • 基于 Transformer 模型的孟加拉情感分析的里程碑：基础、挑战与未来研究方向

    情感分析（SA）是指将情感极性（通常为正面、负面或中性，甚至包括微妙的愤怒、悲伤等）与给定的文本相关联，基本上将其分解为一项监督分类任务。本文分析了孟加拉语中情感分析的最新技术，特别是基于 Transformer 的模型，讨论了可用的数据集及其缺点，以及在孟加拉语中应用情感分析所面临的挑战，并为未来的研究提供了解决局限性的见解。

    Jan, 2024