Jan, 2024

SemEval-2017 任务 4: 使用 BERT 进行 Twitter 情感分析

PDF
TL;DR使用 BERT 模型对 SemEval2017 中 Twitter 上的英语情感分析任务 4A 进行解决，在训练数据量较小的分类任务中，BERT 是一个非常强大的大型语言模型。使用此模型进行实验时，我们使用了包含 12 个隐藏层的 BERT BASE 模型，该模型在准确性、精确率、召回率和 F1 分数上优于朴素贝叶斯基线模型，在二分类子任务中表现更好，我们还在实验过程中考虑了所有种类的伦理问题，因为 Twitter 数据包含个人和敏感信息。我们在此 GitHub 存储库中提供了实验中使用的数据集和代码。
发现论文，激发创造
  • SemEval-2013 任务 2：Twitter 中的情感分析

    通过提出 SemEval-2013 任务 2：Twitter 情感分析的表达级子任务和消息级子任务以及在亚马逊机械土耳其上使用众包技术标记大型 Twitter 训练数据集及其他的测试集，对情感分析在社交媒体上进行了研究。该研究因结果的准确性获得了广泛关注和讨论。

    Dec, 2019

  • MeisterMorxrc 参加 SemEval-2020 任务 9：细调 Bert 和多任务学习用于代码混合推文的情感分析

    该研究介绍了如何使用自然语言处理技术对不同领域的文本进行情感分析，特别是针对语言混合推文的预处理以及 Bidirectional Encoder Representation from Transformers（BERT）的调优的方法，并在 SemEval-2020 的竞赛中取得了很好的成绩。

    Dec, 2020

  • 基于深度学习的 BERT 模型在情感分析中的应用研究

    本研究论文探讨了深度学习技术（尤其是 BERT 模型）在情感分析中的应用，介绍了情感分析的基本概念和深度学习方法的应用。通过详细的解释，阐明了 BERT 模型在情感分析中的应用效果和优化策略，并通过实验证实了这一点。实验结果表明 BERT 模型在情感分析任务中表现出强大的性能，经过微调后得到了显著的提升。最后，该论文总结了 BERT 模型在情感分析中的潜在应用和未来研究方向，以及实际实施的建议。

    Mar, 2024

  • BERTweet: 英文推文的预训练语言模型

    BERTweet 是第一个用于英语推文的公共大规模预训练语言模型，通过 RoBERTa 预训练程序进行训练并表现优于之前的最先进模型，可用于推文文本的各种任务。

    May, 2020

  • 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

  • 使用 BERT 进行细粒度情感分类

    本文中，我们使用一种称为 BERT 的深度学习模型来解决细粒度情感分类任务，并证明了其在自然语言处理中的转移学习的有效性。实验结果表明，我们的模型在此任务中的表现优于其他流行模型，而不需要复杂的架构。

    Oct, 2019

  • SemEval-2015 任务 10：Twitter 情感分析

    本文介绍了 2015 年 SemEval 共享任务，即推特情感分析。该任务为历年来最受欢迎的情感分析任务，共有超过 40 支团队参与。今年的任务共有五个情感预测子任务，其中两个为往年任务的重现，另外三个则为全新任务，旨在预测单个推特中对主题的情感、一组推特中对主题的总体情感以及短语先前极性的程度。

    Dec, 2019

  • SemEval-2014 任务 9: Twitter 中的情感分析

    该论文描述了 SemEval-2014 中的 Twitter 情感分析任务，介绍了新的测试集并报道了最高 F1 分数达到 86.63（子任务 A）和 70.96（子任务 B）的结果。

    Dec, 2019

  • SemEval-2017 任务 4：Twitter 情感分析

    该论文描述了 Twitter 情感分析任务的第五个年头，继续重新运行了 SemEval-2016 任务 4 的子任务，其中包括对推文整体情感、针对话题的情感以及情感分布的量化等。相较于 2016 年，我们还引入了一种新的语言，即阿拉伯语，并提供了发布目标推文的 Twitter 用户档案信息。今年共有 48 个团队参加了这项任务。

    Dec, 2019

  • SemEval-2022 任务 11 中的多语言人士：基于 Transformer 的复杂 NER 架构

    本文研究了英文语言的复杂 NER 任务，使用预训练语言模型如 BERT 取得竞争性成绩，并 qualitatively 分析了多种架构在此任务上的表现，最佳模型相比 baseline F1-score 提升了超过 9%。

    Apr, 2022