NoPropaganda在SemEval-2020任务11：一种借用于序列标注和文本分类的方法
计算与语言
2020-07-28 v1
摘要
本文描述了我们对SemEval-2020任务11：新闻文章中宣传技术检测的贡献。我们从简单的LSTM基线开始，然后转向自回归Transformer解码器，以预测第一个子任务中的长连续宣传片段。对于第二个子任务——宣传技术分类，我们还采用了一种来自关系抽取的方法，通过用特殊标记包裹上述片段。我们的模型在这两个任务上分别报告了44.6%的F-score和58.2%的微平均F-score。
引用
@article{arxiv.2007.12913,
title = {NoPropaganda at SemEval-2020 Task 11: A Borrowed Approach to Sequence Tagging and Text Classification},
author = {Ilya Dimov and Vladislav Korzun and Ivan Smurov},
journal= {arXiv preprint arXiv:2007.12913},
year = {2020}
}