利用实体掩码语言建模与多任务学习增强危机相关推文分类
计算与语言
2022-11-22 v1
摘要
社交媒体已成为危机管理的重要信息源，可快速获取事态进展与关键信息。然而，分类模型受事件相关偏差和高度不平衡的标签分布影响，这仍是一项具有挑战性的任务。为应对这些挑战，我们将实体掩码语言建模与层次化多标签分类作为多任务学习问题相结合。我们在TREC-IS数据集的推文上评估了该方法，并显示对于可操作信息类型，F1分数绝对提升高达10%。此外，我们发现实体掩码降低了过拟合到领域内事件的影响，并提升了跨事件泛化能力。
引用
@article{arxiv.2211.11468,
title = {Enhancing Crisis-Related Tweet Classification with Entity-Masked Language Modeling and Multi-Task Learning},
author = {Philipp Seeberger and Korbinian Riedhammer},
journal= {arXiv preprint arXiv:2211.11468},
year = {2022}
}
备注
Accepted at NLP4PI (EMNLP 2022)