JuniperLiu at CoMeDi 共享任务：作为标注器的模型在词汇语义分歧中的应用
计算与语言
2024-12-31 v2
摘要
我们展示了我们参与 CoMeDi 共享任务系统的结果，该系统预测多数投票（子任务 1）和标注者分歧（子任务 2）。我们的方法将模型集成策略与基于 MLP 和基于阈值的方法相结合，这些方法在预训练语言模型上进行训练。我们将单个模型视为虚拟标注器，通过设计结合连续相关性分数和离散分类标签的聚合度量来模拟标注过程，以同时捕获多数投票和分歧。此外，我们采用各向异性去除技术来增强性能。实验结果证明了我们方法的有效性，特别是在子任务 2 上。值得注意的是，我们发现不同模型操作下连续相关性分数的标准差与人类分歧标注相关，而聚合离散标签上的指标则不然。代码将发布于 https://github.com/RyanLiut/CoMeDi_Solution。
引用
@article{arxiv.2411.12147,
title = {JuniperLiu at CoMeDi Shared Task: Models as Annotators in Lexical Semantics Disagreements},
author = {Zhu Liu and Zhen Hu and Ying Liu},
journal= {arXiv preprint arXiv:2411.12147},
year = {2024}
}
备注
accepted by CoMeDi workshop in Coling 2025