面向标签分割的多任务成对神经排序方法
计算与语言
2019-06-17 v2
摘要
标签（hashtag）常被用于社交媒体及其他场景，为文本话语添加元数据，以增加可发现性、辅助搜索或提供额外语义。然而，标签的语义内容不易推断，因为它们代表临时约定，常包含多个连在一起的词，并可能包含缩写和非正规拼写。我们构建了一个包含 12,594 个标签的数据集，并将其切分为独立片段，通过将标签分割构建为候选分割之间的成对排序问题，提出了一系列标签分割方法。我们新颖的神经方法相比当前最优（SOTA）方法在标签分割准确率上实现了 24.6% 的错误率降低。最后，我们证明通过分割获得的对标签语义的更深入理解有助于下游应用，如情感分析，我们在 SemEval 2017 情感分析数据集上实现了平均召回率 2.6% 的提升。
引用
@article{arxiv.1906.00790,
title = {Multi-task Pairwise Neural Ranking for Hashtag Segmentation},
author = {Mounica Maddela and Wei Xu and Daniel Preoţiuc-Pietro},
journal= {arXiv preprint arXiv:1906.00790},
year = {2019}
}
备注
12 pages, ACL 2019