本文探讨了在西班牙语推文情感分类中的深度学习方法，涉及bag-of-words、字符级表示、预训练词嵌入和tweet embeddings。通过数据增强技术如双向翻译与实例交叉，优化了模型鲁棒性和数据稀缺问题。实验部分详细描述了模型架构、环境及结果，包括单语和跨语言实验，以及Ablation测试来评估各个组件的影响。
abstract
主要任务是在西班牙tweet中进行情感分类，主要使用到bags-of-words，bag-of-characters和tweet embedding。
尤其是训练了单词前缀embedding(subword-aware word embedding)的鲁棒性和使用权重均衡策略(weighted-averageing strategy)计算了tweet的表示法。使用两种数据增强技术来处理数据稀缺性问题。双向交叉增强(two-way-translation)和实例交叉增强(instance crossover augmentation)，一种结合一半tweet生成新的实例的新技术。
训练了线性分类器和集成模型。
Introduction
- 任务
- 数据集
- 基本思路：分成两个子任务，在单语言子任务中，系统必须在同一数据集上进行训练和测试。在交叉语言任务中，系统必须使用非用于测试国家的语言数据集进行测试。
- 介绍数据怎么处理，技术大概有哪些
- 其他工作
Techniques and Resources
- 数据处理
- Bags of words and characters
- Word Embeddings
- Tweet Embeddings
- Data Augmentation witg Two-Wag Translation
-
Data Augmentation with Instance Crossover
Experiments
介绍使用的环境，模型，包等等。
- System Development：系统的构建，探索模型的好坏，超参数的设置，实验结果：分类报告，混淆矩阵
-
Subtask 1: Monolingual Experiments：
-
Subtask 2: Crosslingual Experiments
-
Ablation Tests ：控制变量法
Conclusions
扫一扫
2206
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
