Jan, 2024

印地语天城文多类遗憾检测

HTML
PDF
TL;DR社交媒体上印地语言使用者的数量在近年来大幅增加。后悔是我们日常生活中常见的情感体验。本研究聚焦于印地语言中的后悔表达，通过实证研究、语言分析和深度学习模型等方法，探究了后悔在社交媒体平台上的影响、表达方式以及常见领域，结果显示在人际关系领域中，社交媒体用户常常表达对过去的不做和做的后悔。通过使用预训练的BERT模型和CNN结构产生的词嵌入表示，与其他模型相比，表明BERT在传达后悔领域的词语上具有一致的优势。
发现论文，激发创造
  • 面向印地语-英语代码混合文本情感分析的子词级组合研究

    本文介绍了一种采用亚词级别表示(Subword-LSTM)架构进行Hindi-English混合代码情感分析的方法，该方法能更好地学习重要的语素的情感信息，同时在包含拼写错误的高噪声文本中表现良好，比传统的方法在数据集上的准确率提高了4-5％，并且比可用的系统在Hi-En混合文本的情绪分析方面性能提高了18％。

    Nov, 2016

  • 评估深度学习模型对印地语文本的敌意检测能力

    本文中提出了一些方法来检测印度语中的恶意文本，使用CNN、LSTM和BERT等深度学习方法，并发现使用BERT的模型性能最佳。

    Jan, 2021

  • 使用Fine Tuned多语言嵌入在印地语帖子中进行粗粒度和细粒度的敌意检测

    研究采用基于mBERT的神经网络技术，对资源受限的印地语社交媒体上的言论进行多标签分类，结果表明该模型的绩效超过了现有的基准模型，成为了印地语言领域检测敌意的最佳模型。

    Jan, 2021

  • 利用预训练语言模型检测印地语中的敌意

    本篇文章提出了一种基于转移学习的方法，使用专注力预训练模型进行细分任务分类，将社交媒体文章分类为敌对与非敌对，并进一步分析其情感类型：仇恨、虚假、诽谤和冒犯。这种方法在印第语文本数据上进行 fine-tuned，并在CONSTRAINT-2021共享任务中表现出色。

    Jan, 2021

  • 针对印度语言表示的社交意识偏差测量

    本篇论文探讨了语言表示法中出现的灌输的社会偏见，特别是针对印地语语言表示法中种姓和宗教相关的偏见。该研究展示了如何根据地区的历史和文化，将有着独特偏见的语言表示法区分开来，同时强调了当我们建模语言表示法时，必须关注文化和语言学因素以更好地理解文化偏见。

    Oct, 2021

  • L3Cube-HingCorpus和HingBERT：一种混合编码印地语-英语数据集和BERT语言模型

    该研究提供了一个用于在社交媒体平台上进行Hindi-English混合语言的研究数据和预训练模型，并证明这些模型在情感分析、词性标注、命名实体识别等任务中的有效性。

    Apr, 2022

  • HateCheckHIn：对印地语仇恨言论检测模型的评估

    针对社交媒体中存在的多语言仇恨言论，本文提出了一种针对多语言仇恨言论模型的功能集，被用于对现有模型的诊断分析。通过以印地语为基础语言，构建了 HateCheckHIn 评估数据集，测试了最先进的基于 Transformer 的 m-BERT 模型以及 Perspective API。

    Apr, 2022

  • 预训练BERT模型在印地语-英语混合数据中的比较研究

    本研究专注于解决“Code Mixed”现象在低资源的印地语-英语多语混合情况下对自然语言处理所带来的问题，并通过使用预训练的 Transformer-based Models 模型，重点比较分析了 HingBERT、mBERT、AlBERT、BERT 和 RoBERTa 等不同模型的性能。研究结果显示，HingBERT 模型在实际“Code Mixed”文本训练的情况下取得了最优秀的表现与较大的性能提升。

    May, 2023

  • 利用语言识别提升混合编码文本分类

    本研究旨在通过实验语言增强方法来提高基于BERT的模型在低资源Code-Mixed Hindi-English数据集上的性能，并测试了不同的指标，如准确性、精确度、召回率和F1分数，以证明语言增强的重要性，以应用于文本情感分析、仇恨言论检测和情感检测等任务

    Jun, 2023

  • GuReT：区分罪恶和遗憾相关文本

    人类决策和情绪，尤其是罪恶感和后悔的复杂关系，对行为和幸福感有重要影响。本研究介绍了一个数据集，专门研究罪恶感和后悔以及它们特有的文本标记之间的关系，填补了情感计算研究中的一个重要空白。我们将罪恶感和后悔识别视为二元分类任务，并采用三种机器学习和六种基于Transformer的深度学习技术来评估新创建的数据集。研究还采用了创新的思维链和思维树推理方法来评估模型的解释逻辑。结果表明，相较于最佳机器学习分类器的85.3%得分，基于Transformer的模型取得了明显的性能优势，达到了90.4%的宏F1分数，展示了它们在区分复杂情绪状态方面的优越能力。

    Jan, 2024