SemEval-2025 任务 11：面向短文本的跨语言多情感检测的特征导向框架
计算与语言
2026-02-05 v2 人工智能
摘要
本文介绍了我们的系统用于 SemEval 2025 任务 11：Bridging the Gap in Text-Based Emotion Detection (Track A)，该任务聚焦于短文本的多标签情感检测。我们提出了一种特征导向框架，通过动态适应文档表征和学习算法来优化语言特定的性能。我们的研究在 28 种语言中评估了三个关键组件：文档表征、降维和模型训练，重点分析了其中五种语言。结果显示，TF-IDF 在低资源语言中仍然高度有效，而情境嵌入如 FastText 和基于转换器的文档表征（如 Sentence-BERT 生成的表征）在特定语言上表现出所需的优势。主成分分析 (PCA) 在不牺牲性能的前提下显著减少了训练时间，尤其对 FastText 和如多层感知机 (MLP) 之类的神经模型具有优势。计算效率分析凸显了模型复杂度与处理成本之间的权衡。我们的框架提供了一个面向多语言情感检测的可扩展解决方案，解决了语言多样性和资源约束的挑战。
关键词
引用
@article{arxiv.2507.08499,
title = {PromotionGo at SemEval-2025 Task 11: A Feature-Centric Framework for Cross-Lingual Multi-Emotion Detection in Short Texts},
author = {Ziyi Huang and Xia Cui},
journal= {arXiv preprint arXiv:2507.08499},
year = {2026}
}