ltp verifiability

オンラインユーザーコメントの検証可能性をチェックするための迅速なエンジニアリング方法の比較

MD Zobaer Hossain、Linfei Zhang、Robert Van Timmeren、Ramon Meffert、2022年6月

このリポジトリには、グロニンゲン大学の言語技術プロジェクトコースのコースプロジェクトの一部として実施された実験、データ処理、およびデータ分析のソースコードが含まれています。

データ

データセットに関連するすべてのファイルは、データセットフォルダーにあります。元のデータセットファイルを使用して、それらをHuggingfaceデータセット形式に変換しました。すべてのデータセットフォルダーには、元のデータセットファイル、分析ノートブック、およびデータセットの使用方法を示すデモファイルが含まれています。

実験

実験用のすべてのコードは、実験フォルダーにあります。実験を再現する方法に関する情報は、そのフォルダーのREADMEで利用できます。

• バート（Devlin et al。、2019）
• gpt-neo（Black et al。、2021）
• （i）Pet（Schick andSchütze、2021）
• LM-BFF（Gao et al。、2021）
• ロベルタとの迅速なトレーニング（Liu et al。、2019）

結果

すべての方法の結果は、結果フォルダーにあります。結果に関する情報は、そのフォルダーのREADMEで入手できます。

---

参照

Black、S.、G。Leo、P。Wang、C。Leahy、およびS. Biderman（2021、3月）。 GPT-NEO：メッシュテンソルフローを使用した大規模なオートレーフレンシャルモデリング。 https://doi.org/105281/zenodo.5297715。

Devlin、J.、M.-W。 Chang、K。Lee、およびK. Toutanova（2019年6月）。 BERT：言語理解のための深い双方向変圧器の事前トレーニング。 2019年の計算言語学会協会の北米支部会議の議事録：ヒューマン言語技術、第1巻（ロングペーパーとショートペーパー） 、ミネアポリス、ミネソタ、pp。4171–4186。計算言語学の協会。

Gao、T.、A。Fisch、およびD. Chen（2021年8月）。事前に訓練された言語モデルをより良いショット学習者にする。第59回計算言語学会協会の年次総会および第11回自然言語加工に関する国際合同会議（第1巻：ロングペーパー） 、オンライン、pp。3816–3830。計算言語学の協会。

Liu、Y.、M。Ott、N。Goyal、J。Du、M。Joshi、D。Chen、O。Levy、M。Lewis、L。Zettlemoyer、およびV. Stoyanov（2019）。 Roberta：堅牢に最適化されたBert Pretrainingアプローチ。 Corr abs/1907.11692 。

Park、J。、およびCardie、C。（2014）。オンラインユーザーのコメントにおける提案に対する適切なサポートを特定します。議論採掘に関する最初のワークショップの議事録、29–38。 https://doi.org/10/gg29gq

Schick、T。およびH.Schütze（2021）。少数のショットテキスト分類と自然言語の推論のためのクローズ質問を利用します。計算言語学会協会の欧州支部の第16回会議の議事録：メインボリューム、オンライン、pp。255–269。計算言語学の協会。