Duth في مهمة Semeval-2021: هل تعلم الآلة التقليدية المهام الفضائية والهجومية بما يكفي في عام 2021؟

تصف هذه الورقة النهج الذي تم تطويره لمهمة Semeval 2021 7 (Hahackathon: دمج العوامل الديموغرافية في مهام فكاهة مشتركة) من قبل فريق Duth.استخدمنا ومقارننا مجموعة متنوعة من تقنيات المعالجة المسبقة، وأساليب Vectorization، وعديد من خوارزميات التعلم الآلات التقليدية، من أجل بناء نماذج التصنيف والانحدار للمهام المعينة.استخدمنا التصويت الأغلبية للجمع بين مخرجات النماذج مع الشبكات العصبية الصغيرة (NN) لمهام التصنيف ومتوسطها لانحدارها لتحسين أداء نظامنا.في حين أثبتت هذه الطرق أضعف من نماذج التعلم الحديثة والعميقة، فإنها لا تزال ذات صلة في مهام البحث بسبب انخفاض احتياطيها على السلطة الحاسوبية والتدريب الأسرع.

This paper describes the approach that was developed for SemEval 2021 Task 7 (Hahackathon: Incorporating Demographic Factors into Shared Humor Tasks) by the DUTH Team. We used and compared a variety of preprocessing techniques, vectorization methods, and numerous conventional machine learning algorithms, in order to construct classification and regression models for the given tasks. We used majority voting to combine the models' outputs with small Neural Networks (NN) for classification tasks and their mean for regression for improving our system's performance. While these methods proved weaker than modern, deep learning models, they are still relevant in research tasks because of their low requirements on computational power and faster training.