Sep, 2024

QiBERT - 基于BERT特征分类在线对话信息

HTML
PDF
TL;DR本研究解决了短文本数据在在线交流中的分类问题，特别关注于葡萄牙学校的在线讨论。通过使用BERT模型和最先进的机器学习方法，研究发现模型在分类在线消息中取得了超过0.95的平均准确率，这可以帮助社会科学家更好地理解人类沟通与行为。
发现论文，激发创造
  • 检测对话环境中的上下文相关消息

    该研究旨在解决聊天机器人系统中当需要考虑自然语言上下文的情况及使用长短时记忆网络学习分类器的问题，并取得了显著的分类准确性提升。

    Nov, 2016

  • 微博会话中话题和语篇的联合建模

    本文提出了一个无监督框架，用于共同建模微博交谈中的主题内容和话语行为。具体而言，我们提出了一个神经模型来发现表示会话涉及什么（即主题）和反映参与者表达意见的词群（即话语）。广泛的实验表明，我们的模型既能产生连贯的主题又能反映有意义的话语行为。进一步的研究表明，我们的主题和话语表征可以增强微博信息分类的性能，特别是在分类器联合训练的情况下。

    Mar, 2019

  • EmotionX-HSU:采用预训练的BERT进行情感分类

    本文介绍了我们通过深度学习和使用BERT模型的方法，在EmotionX-2019 和 SocialNLP 2019的共享任务中，对来自电视节目Friends和Facebook聊天记录EmotionPush的每个话语的情感进行了识别，并通过微平均F1分数对模型性能进行了评估，得到了同类中的第三名。

    Jul, 2019

  • 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

  • 回复和引用中的立场（SRQ）：用于学习 Twitter 会话中立场的新数据集

    通过对推特上有争议话题的帖子进行回复和引用回复的态度标注，创建了包含超过5200个态度标注的推特态度数据集，以提高谣言识别和用户间敌对关系判定的效果。同时，为了提高识别准确率，研究者还设计了引导标注数据选取的方法。研究表明，与单一信息源不同，收集回复和引述信息可以提高学习文本态度的准确性。

    Jun, 2020

  • 通过BERT模型进行集成，模拟社交媒体会话文本中的披露和支持

    本文介绍了一个预测性集成模型，利用 RoBERTa 和 ALBERT 软件对 CL-Aff 数据集中 Reddit 评论进行了分析，并展示了比基础模型更好的性能，并揭示出更深刻的数据集特征。

    Jun, 2020

  • SMTCE：越南社交媒体文本分类评估基准和BERTology模型

    该研究介绍了Social Media Text Classification Evaluation (SMTCE) 基准并使用各种多语言和单语BERT-based模型对多个SMTC任务进行了实现和分析。结果表明，单语言模型优于多语言模型，并在所有文本分类任务上取得了最先进的结果，这将有助于越来越多关于越南语BERT学习的未来研究。

    Sep, 2022

  • 聊天机器人不可靠的文本标注工具

    对比研究发现，ChatGPT和开源语言模型在标注社会科学研究中的文本任务中表现存在显著差异，而监督分类模型一贯表现更优，因此不建议在社会科学研究中使用ChatGPT进行实质性的文本标注任务。

    Nov, 2023

  • 分析梗圖文本的說服策略：語言模型與改寫增強的融合

    本研究旨在通过改进模型训练方法和研究平衡与非平衡的训练数据集的影响，提高在迷因文本中多种具有说服力的技术的有效识别和分类。结果表明，使用释义进行训练可以提高模型性能，而平衡的训练集比较大但不平衡的训练集更有优势。

    Jul, 2024

  • 基于集成学习和BERT架构的学生社交网络文本情感分类模型

    本研究针对中学生心理健康评估中的社交网络文本情感分类问题，提出了一种基于BERT的集成学习网络模型。通过结合多个分类器并采用多数投票法，该模型在性能上优于基础模型，体现了在预测效果与效率之间的平衡，同时指出更深层BERT网络在训练时的优势。

    Aug, 2024