ترغب بنشر مسار تعليمي؟ اضغط هنا

Autobots @ LT-EDI-EACL2021: عالم واحد، عائلة واحدة: الكشف عن الكلام الأمل مع نموذج محول بيرت

Autobots@LT-EDI-EACL2021: One World, One Family: Hope Speech Detection with BERT Transformer Model

275   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

التراجع السريع للشبكات الاجتماعية عبر الإنترنت مثل YouTube، Facebook، Twitter يسمح للناس بالتعبير عن آرائهم على نطاق واسع على الإنترنت.ومع ذلك، في الوقت نفسه، يمكن أن يؤدي إلى زيادة في الصراع والكراهية بين المستهلكين في شكل حرية خطاب.لذلك، من الضروري اتخاذ طريقة تقوية إيجابية للبحث عن مشجعة، إيجابية، مساعدة، ومحتوى وسائل الإعلام الاجتماعية الداعمة.في هذه الورقة، نحن تصف نموذج برت محول من أجل الكشف عن الكلام عن الأمل للوصول والتنوع والاندماج، المقدمة لمهمة LT-ADI-2021 2. يحقق نموذجنا مرجحا معدل F1 مرجح من 0.93 على مجموعة الاختبار.

المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

في مجتمع اليوم، يتيح لنا التطوير السريع لتكنولوجيا الاتصالات التواصل مع أشخاص من أجزاء مختلفة من العالم. في عملية الاتصال، يعامل كل شخص الآخرين بشكل مختلف. يتم استخدام بعض الأشخاص في استخدام اللغة الهجومية والساخرة للتعبير عن آرائهم. هذه الكلمات تسبب الألم للآخرين وجعل الناس يشعرون بالأسفل. يتم استخدام بعض الأشخاص لتقاسم السعادة مع الآخرين وتشجيع الآخرين. هؤلاء الناس يجلبون الفرح والأمل في الآخرين من خلال كلماتهم. على منصات وسائل التواصل الاجتماعي، فإن هذين النوعين من اللغة هم في كل مكان. إذا كان الناس يرغبون في جعل العالم عبر الإنترنت مكانا أفضل، فسيتعين عليهم التعامل معهما. لذلك تحديد اللغة الهجومية ولغة الأمل مهمة أساسية. كانت هناك العديد من المهام حول اللغة المسيئة. تستخدم مهمة مشتركة على الكشف عن الكلام عن الأمل للمساواة والتنوع والإدماج في LT-EDI 2021-EACL 2021 وجهة نظر فريدة أخرى - لتحديد لغة الأمل في تقديم مساهمات في المجتمع. نموذج XLM-Roberta هو نموذج ممتاز متعدد اللغات. استخدم فريقنا نموذج XLM-Roberta ذو ضبط ضبطه لإنجاز هذه المهمة.
في هذه الورقة، نصف نهجنا تجاه استخدام النماذج المدربة مسبقا لمهمة الكشف عن الكلام الأمل.شاركنا في المهمة 2: الكشف عن الكلام للأمل للتساوي والتنوع والإدماج في LT-EDI-2021 @ EACL2021.الهدف من هذه المهمة هو التنبؤ بحضور خطاب الأمل، إلى جانب وجود العينات التي لا تنتمي إلى نفس اللغة في مجموعة البيانات.نحن نصف نهجنا لضبط روبرتا من أجل الكشف عن الكلام على الأمل باللغة الإنجليزية ونهجنا لضبط XLM-Roberta من أجل الكشف عن الكلام في التاميل والمالايالام، وهو لغتين منخفضان من الموارد.نوضح أداء نهجنا على تصنيف النص في الأمل، غير الأمل وغير اللغة.تصنيفنا في المرتبة الأولى في اللغة الإنجليزية (F1 = 0.93)، الأول في التاميل (F1 = 0.61) و 3 في مالايالام (F1 = 0.83).
نظرا لتطوير تكنولوجيا الكمبيوتر الحديثة والزيادة في عدد مستخدمي الوسائط عبر الإنترنت، يمكننا رؤية جميع أنواع المشاركات والتعليقات في كل مكان على الإنترنت.الكلام الأمل لا يمكن أن تلهم فقط المبدعين ولكن أيضا جعل المشاهدين الآخرين ممتعة.من الضروري أن يك تشف خطاب الأمل بشكل فعال وتلقي تلقائيا.تصف هذه الورقة نهج فريقنا في مهمة الكشف عن الكلام الأمل.نحن نستخدم آلية الاهتمام لضبط وزن جميع طبقات الإخراج من XLM-Roberta للاستفادة الكاملة من المعلومات المستخرجة من كل طبقة، واستخدام المبلغ المرجح لجميع طبقات الإخراج لإكمال مهمة التصنيف.ونحن نستخدم طريقة طية K الطبقية لتعزيز مجموعة بيانات التدريب.نحقق متوسط درجة F1 مرجح من 0.59 و 0.84 و 0.92 من أجل التاميل والمالايالام واللغة الإنجليزية، المرتبة الثالثة والثانية والثانية.
التحليل والكشف عن البيانات المختلطة من الكود أمر حتمي في الأوساط الأكاديمية والصناعة، في بلد متعدد اللغات مثل الهند، من أجل حل المشاكل معالجة اللغة الطبيعية في Apropos.تقترح هذه الورقة ذاكرة قصيرة الأجل الطويلة الأجل (Bilstm) مع النهج القائم على الاه تمام، في حل مشكلة الكشف عن الكلام الأمل.باستخدام هذا النهج، تم تحقيق نتيجة F1 من 0.73 (9 أنثو) في مجموعة بيانات ملليالامية - من بين ما مجموعه 31 فريقا شاركت في المسابقة.
تقدم هذه الورقة بشكل أساسي المحتوى ذي الصلة للكشف عن خطاب الأمل للمهمة للمساواة والتنوع والإدراج في LT-EDI 2021-EACL 2021 ''.تم توفير ما مجموعه ثلاث مجموعات بيانات لغوية، ونختار مجموعة البيانات الإنجليزية لإكمال هذه المهمة.الهدف المهمة المحددة هو تصن يف الكلام المحدد إلى خطاب الأمل "، وليس الكلام الأمل"، وليس في اللغة المقصودة ".فيما يتعلق بالطريقة، نستخدم Albert Tuned و K Fold Validation لإنجاز هذه المهمة.في النهاية، حققنا نتيجة جيدة في قائمة رتبة النتيجة المهمة، وكانت النتيجة F1 النهائية 0.93، ربط للمكان الأول.ومع ذلك، سوف نستمر في محاولة تحسين الأساليب للحصول على نتائج أفضل في العمل في المستقبل.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا