该篇研究论文通过使用 BERT 模型进行有监督和无监督的学习方法，在 SemRel-2024 任务中取得了显著的结果，包括在 MSA 中获得了 0.49 的 Spearman 相关系数的第一名，以及在摩洛哥语和阿尔及利亚语中分别获得了 0.83 和 0.53 的高分。

May, 2024

本文提出了在 SemEval-2024 Task 1 中开发的系统：用于非洲和亚洲语言的语义文本相关性。该共享任务旨在测量句子对之间的语义文本相关性，重点关注一系列少数语言。我们在这项工作中提出了使用机器翻译进行数据增强来解决有限训练数据的低资源挑战。此外，我们对未标记任务数据进行任务自适应预训练，以弥合预训练和任务适应之间的差距。对于模型训练，我们研究了完全微调和基于适配器的微调，并采用适配器框架实现了有效的零次跨语言迁移。在共享任务中，我们取得了具有竞争力的结果：我们的系统在子任务 A（监督学习）和子任务 C（跨语言迁移）中排名最高。

Apr, 2024

使用大型语言模型，开发了针对非洲和亚洲语言的语义文本相关性模型 TranSem，并在 SemEval-2024 任务 1 中取得了不错的成绩。

Feb, 2024

我们提出了一个基于对比学习的单一模型，通过数据增强和对比学习，在没有使用多个模型集合的情况下，达到与多模型相当的性能表现。

Feb, 2024

我们介绍了第一个关于语义文本相关性（STR）的共享任务，探索了语义相关性这一更广泛的现象在 14 种语言中的表现。

Mar, 2024

本研究论文介绍了 MasonTigers 参与 SemEval-2024 任务 1 的成果，该任务涵盖了 14 种不同语言的监督学习、无监督学习和跨语言方法。MasonTigers 是两个参与了所有语言的团队之一，在三个任务中取得了从第 11 到第 21 名的排名（Track A）、第 1 到第 8 名的排名（Track B）和第 5 到第 12 名的排名（Track C）。我们的最佳方法结合了统计机器学习方法的集成以及语言特定的 BERT 模型和句子转换器。

Mar, 2024

通过对比式编码器模型在多语言环境下进行训练，实现检测多语言环境中的困难释义，得到可用于语义搜索等多种任务的嵌入向量，并在下游任务中评估模型性能和嵌入向量质量，与当前最先进的交叉编码器相比，在所选择的数据集中只有 7-10% 的最小相对下降，同时保持嵌入向量的良好质量。

Jun, 2024

本文介绍了我们为 SemEval-2024 任务 1 所开发的系统：语义文本相关性（STR），在 Track C：跨语言下。该任务的目标是在没有直接监督（即零 - shot 跨语言转移）的情况下，检测给定目标语言中两个句子的语义相关性。为此，我们关注两个不同预训练语言模型：XLM-R 和 Furina 上的不同源语言选择策略。我们通过以下实验：1）单源转移并基于类型学相似性选择源语言，2）用两个最近邻源语言扩充英语训练数据，以及 3）多源转移，我们将所有训练语言与同一语系的语言进行比较。我们还研究了基于机器翻译的数据增强和脚本差异的影响。我们的提交在 C8（Kinyarwanda）测试集中取得了第一名。

Apr, 2024

本文介绍了一种用于解决 SemEval-2020 任务 10 中提出的问题的系统：如何强调视觉媒体中的书面文本。我们提出了一种端到端模型，它以文本为输入，并对每个单词给出该单词被强调的概率。我们的结果表明，基于 Transformer 的模型在这个任务中特别有效。我们取得了 0.810 的最佳 Matchm 得分，并在排行榜上排名第三。

Jul, 2020

本文提出一种基于语义的对比学习算法，旨在从多层次角度区分微观含义表达，并结合整体序列级的语义。该算法采用多级在线抽样算法，在采样数据时考虑到差异化的实例。文中更提出三种基于语义感知的相似度函数，并使用排名对比损失来拉近相同语义示例的表示并将负样本案例里散开，实验结果表明，本文的算法在两个标准数据集上都取得了显著的改进，并只是在基本 Seq2Seq 模型上应用了基于语义的对比学习，使模型性能达到了最佳状态。

Jan, 2023