@正在进行{aglionby-etal-2019-camterdam,title=“{CAM}sterdam at{S}em{E}val-2019任务6:识别攻击性推文的神经和基于图形的特征提取”,author=“Aglionby、Guy和Davis、Chris和米什拉、普什卡和凯恩斯、安德鲁和Yannakoudakis、Helen和Rei、Marek和舒托娃、叶卡捷琳娜和“奶油,宝拉”,editor=“梅、乔纳森和舒托娃、叶卡捷琳娜和Herbelot、Aurelie和朱晓丹和Apidianaki、Marianna和赛义夫·M·穆罕默德”,booktitle=“第十三届语义评估国际研讨会论文集”,月=六月,year=“2019”,address=“美国明尼苏达州明尼阿波利斯”,publisher=“计算语言学协会”,url=“https://aclantology.org/S19-2100”,doi=“10.18653/v1/S19-2100”,pages=“556--563”,abstract=“我们描述了CAMsterdam团队加入2019年第六轮共享任务(SemEval-2019 Shared Task 6),该任务涉及推特数据中的攻击性语言识别。我们提出的模型学习使用多层递归网络提取文本特征,然后使用梯度支持决策树(GBDT)进行文本分类自我关注架构使模型能够关注文本中最相关的区域。为了丰富输入表示,我们使用node2vec学习哈希标签的全局优化嵌入,然后将其作为GBDT分类器的附加功能。我们的最佳模型在检测攻击性语言(子任务A)方面获得78.79{\%}宏F1-核心,在分类攻击类型(目标/非目标;子任务B)方面获得66.32{\%{核心,在识别攻击目标(子任务C)方面获得55.36{\%neneneep核心。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“aglionby-etal-2019-camterdam”><标题信息>CAMsterdam在2019年第六学期的任务6:识别攻击性推文的神经和基于图形的特征提取</titleInfo><name type=“个人”><namePart type=“given”>盖伊阿格里昂比<角色>作者</角色></name><name type=“个人”>克里斯戴维斯<角色>作者</角色></name><name type=“个人”><namePart type=“given”>Pushkar</namePart>米什拉<角色>作者</角色></name><name type=“个人”>安德鲁凯恩斯<角色>作者</角色></name><name type=“个人”>海伦<namePart type=“family”>Yannakoudakis</namePart><角色>作者</角色></name><name type=“个人”>马雷克Rei</namePart><角色>作者</角色></name><name type=“个人”>叶卡捷琳娜舒托娃<角色>作者</角色></name><name type=“个人”>保拉<namePart type=“family”>黄油</namePart><角色>作者</角色></name><originInfo>2019-06发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第十三届语义评估国际研讨会论文集</titleInfo><name type=“个人”>乔纳森五月<角色>编辑器</角色></name><name type=“个人”>叶卡捷琳娜舒托娃<角色>编辑器</角色></name><name type=“个人”>奥雷利赫布洛特<角色>编辑器</角色></name><name type=“个人”><namePart type=“given”>小丹朱<namePart type=“family”><角色>编辑器</角色></name><name type=“个人”>玛丽安娜阿皮迪亚纳基<角色>编辑器</角色></name><name type=“个人”>赛义夫<namePart type=“given”>M</namePart>穆罕默德<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>美国明尼苏达州明尼阿波利斯市</place></originInfo>会议出版物</relatedItem><abstract>我们描述了CAMsterdam团队加入2019年第二季度共享任务6,在推特数据中识别攻击性语言。我们提出的模型学习使用多层递归网络提取文本特征,然后使用梯度支持决策树(GBDT)进行文本分类。自关注架构使模型能够关注文本中最相关的区域。为了丰富输入表示,我们使用node2vec学习哈希标签的全局优化嵌入,然后将其作为GBDT分类器的附加功能。我们的最佳模型在检测攻击性语言(子任务A)方面获得78.79%的宏F1核心,在分类犯罪类型(目标/非目标;子任务B)方面获得66.32%,在识别犯罪目标(子任务C)方面获得55.36%</摘要><identifier type=“citekey”>aglionby-etal-2019-camterdam</identifier>10.18653/v1/S19-2100<位置><网址>https://aclantology.org/S19-2100</url></位置><部分>2019-06年<扩展单元=“page”><开始>556</开始><end>563</范围></部分></mods></modsCollection>
%0会议记录%T CAMsterdam在2019年第二季度的任务6:识别攻击性推文的神经和基于图形的特征提取%一个阿格里奥比,盖伊%克里斯·戴维斯%普什卡·A Mishra%安德鲁·凯恩斯%A Yannakoudakis,海伦%马雷克·阿雷%叶卡捷琳娜·舒托娃%奶油,宝拉%Y May,乔纳森%叶卡捷琳娜·舒托娃%奥雷利·Y·赫伯洛特%Y Zhu、Xiaodan%Y Apidianaki,玛丽安娜%Y Mohammad,Saif M。%第十三届语义评价国际研讨会论文集%2019年4月%6月8日%计算语言学协会%C美国明尼苏达州明尼阿波利斯市%F aglionby etal-2019-camterdam公司%X我们描述了CAMsterdam团队加入2019年第二季度共享任务6,在推特数据中识别攻击性语言。我们提出的模型学习使用多层递归网络提取文本特征,然后使用梯度支持决策树(GBDT)进行文本分类。自关注架构使模型能够关注文本中最相关的区域。为了丰富输入表示,我们使用node2vec学习哈希标签的全局优化嵌入,然后将其作为GBDT分类器的附加功能。我们的最佳模型在检测攻击性语言(子任务A)方面获得78.79%的宏F1核心,在分类犯罪类型(目标/非目标;子任务B)方面获得66.32%,在识别犯罪目标(子任务C)方面获得55.36%。%10.18653/v1/S19-2100兰特%U型https://aclantology.org/S19-2100%U型https://doi.org/10.18653/v1/S19-2100%电话:556-563
降价(非正式)
【CAMSTRDAM在2019年第二季度的任务6:识别攻击性推文的神经和基于图形的特征提取】(https://aclantology.org/S19-2100)(Aglionby等人,2019年第二季度)
国际计算语言学协会