通过早期融合和多语言模型增强 ESG 影响类型识别
计算与语言
2024-02-19 v1
摘要
在环境、社会和公司治理（ESG）影响评估不断发展的格局中，ML-ESG-2 共享任务提出了识别 ESG 影响类型的挑战。为应对这一挑战，我们提出了一套综合系统，利用集成学习技术，充分发挥早期融合和晚期融合方法的优势。我们的方法采用了四种不同的模型：mBERT、FlauBERT-base、ALBERT-base-v2 以及一个结合潜在语义分析（LSA）和词频 - 逆文档频率（TF-IDF）特征的多层感知机（MLP）。通过广泛的实验，我们发现包含 LSA、TF-IDF、mBERT、FlauBERT-base 和 ALBERT-base-v2 集成的早期融合集成方法提供了最佳性能。我们的系统提供了一套全面的 ESG 影响类型识别解决方案，有助于当今金融和公司治理格局中至关重要的负责任和可持续决策过程。
引用
@article{arxiv.2402.10772,
title = {Enhancing ESG Impact Type Identification through Early Fusion and Multilingual Models},
author = {Hariram Veeramani and Surendrabikram Thapa and Usman Naseem},
journal= {arXiv preprint arXiv:2402.10772},
year = {2024}
}
备注
Accepted to FinNLP workshop at IJCNLP-ACL 2023