基于多任务学习与 BERT 嵌入的极性与主观性检测
计算与语言
2022-01-17 v1 人工智能
摘要
多任务学习常能提升相关任务的性能，因为这些任务往往相互依赖，且在联合框架下求解时表现更好。在本文中，我们提出一个深度多任务学习框架，联合执行极性与主观性检测。我们提出一种基于注意力的多任务模型来预测极性与主观性。输入句子使用预训练的 BERT 和 Glove 嵌入转换为向量，结果表明基于 BERT 嵌入的模型优于基于 Glove 的模型。我们在主观性与极性分类的单任务和多任务框架下将我们的方法与最先进（SOTA）模型进行比较。所提方法在极性检测与主观性检测上均报告了基线性能。
引用
@article{arxiv.2201.05363,
title = {Polarity and Subjectivity Detection with Multitask Learning and BERT Embedding},
author = {Ranjan Satapathy and Shweta Pardeshi and Erik Cambria},
journal= {arXiv preprint arXiv:2201.05363},
year = {2022}
}
备注
10 pages, 4 figures