ThangDLU at #SMM4H 2024: 使用编码器-解码器模型对社交媒体儿童青少年社会疾病文本数据进行分类
计算与语言
2024-05-01 v1
摘要
本文描述了我们在 #SMM4H (Social Media Mining for Health) 2024 工作坊中 Task 3 和 Task 5 的参赛情况，明确面向推文数据中的分类挑战。Task 3 是一个多类分类任务，聚焦于讨论户外环境对社交焦虑症状影响的推文。Task 5 涉及一个二元分类任务，关注报道儿童医疗疾病的推文。我们应用了从预训练编码器-解码器模型（如 BART-base 和 T5-small）进行的迁移学习来识别给定推文的标签。我们还呈现了一些数据增强方法以观察其对模型性能的影响。最终，系统在 Task 3 中获得了最佳 F1 分数 0.627，在 Task 5 中获得了最佳 F1 分数 0.841。
引用
@article{arxiv.2404.19714,
title = {ThangDLU at #SMM4H 2024: Encoder-decoder models for classifying text data on social disorders in children and adolescents},
author = {Hoang-Thang Ta and Abu Bakar Siddiqur Rahman and Lotfollah Najjar and Alexander Gelbukh},
journal= {arXiv preprint arXiv:2404.19714},
year = {2024}
}
备注
4 pages