Yseop at SemEval-2020 Task 5: Cascaded BERT Language Model for Counterfactual Statement Analysis
Yseop
在本文中，我们探讨的策略，以检测和评估反事实的句子。我们描述了我们的系统SemEval-2020任务5：建模语言中的因果推理：检测反事实。我们使用一个BERT基本模型的分类任务，并建立一个混合BERT多层感知器系统来处理序列识别任务。我们的实验表明，虽然在分类任务中引入句法和语义特征对改进系统的作用不大，但使用这些类型的特征作为级联线性输入来微调模型的序列界定能力，确保它在第二个任务中优于其他类似目的的复杂系统，如BiLSTM-CRF。我们的系统在任务1和任务2中分别获得了85.00%和83.90%的F1分数。
2020-11-13 cs.CL stat.ML
SemEval 2024 -- Task 10: Emotion Discovery and Reasoning its Flip in Conversation (EDiReF)
IIIT Delhi（德里印度信息技术学院）；NTU（南洋理工大学）；IIT Delhi（德里印度理工学院）
该研究提出 SemEval-2024 任务10（EDiReF），围绕英语及印地语-英语混合对话设置情绪识别与情绪翻转推理三个子任务，并基于人工标注数据评估24支团队的系统表现。
2024-02-29 cs.AI cs.CL
CAISA at SemEval-2023 Task 8: Counterfactual Data Augmentation for Mitigating Class Imbalance in Causal Claim Identification
University of Bonn（波恩大学）；University of Marburg（马尔堡大学）
针对因果医学主张识别中的类别不平衡问题，提出基于动词替换的反事实数据增强方法，并与三种增强技术对比，证明其显著提升少数类性能。
2023-06-01 cs.CL cs.LG
IITK-RSA at SemEval-2020 Task 5: Detecting Counterfactuals
Indian Institute of Technology Kanpur (IITK)（印度理工学院坎普尔分校）
本文介绍了我们在解决SemEval-2020任务5方面所做的努力。这项任务涉及到检测一类被称为反事实的文本表达，并将它们分为其组成元素。反事实陈述描述没有或不可能发生的事件以及这些事件可能产生的影响。虽然反事实推理对人类来说是很自然的，但由于各种语言上的微妙之处，人工智能很难理解这些表达。我们最终提交的方法是针对第一个子任务的各种微调的基于transformer和基于CNN的模型的集合，以及针对第二个子任务的具有依赖树信息的Transformer模型。我们在总排行榜上分别排名第4和第9。我们还探索了其他各种方法，包括使用经典方法，其他神经结构和纳入不同的语言特征。
2020-07-21 cs.AI cs.CL cs.LG
SU-NLP at SemEval-2022 Task 11: Complex Named Entity Recognition with Entity Linking
Sabancı University（萨班哲大学）
本文介绍了由萨班斯大学自然语言处理小组在SemEval-2022 MultiCoNER任务中提出的系统。我们开发了一个无监督的实体链接管道，它可以在维基百科的帮助下检测潜在的实体提及，并使用相应的维基百科上下文来帮助分类器找到该提及的命名实体类型。我们的结果表明，我们的管道显着提高了性能，特别是对于低上下文环境中的复杂实体。
2022-03-22 cs.CL
SemEval-2024 Task 3: Multimodal Emotion Cause Analysis in Conversations
Nanyang Technological University（南洋理工大学）
本文介绍 SemEval-2024 Task 3，该任务面向对话情感原因分析，设置文本与多模态两个情感—原因配对抽取子任务，并基于143次注册、216次提交总结数据集、评估及参赛系统发现。
2024-07-08 cs.AI cs.CL cs.MM
CMNEROne at SemEval-2022 Task 11: Code-Mixed Named Entity Recognition by leveraging multilingual data
LTRC（语言技术研究中心）；IIIT-Hyderabad（海得拉巴国际信息技术学院）
在自然语言处理领域中，命名实体的识别是一项既实用又具有挑战性的任务。混合文本的命名实体识别由于混合的性质导致的语言复杂性而具有更大的挑战性。本文介绍了CMNEROne团队提交SEMEVAL 2022共享任务11 MultiCoNER的情况。代码混合NER任务旨在识别代码混合数据集上的命名实体。我们的工作包括命名实体识别（NER）的代码混合数据集，利用多语言数据。我们实现了加权平均F1得分0.7044，即，比基线高6%。
2022-06-15 cs.CL
PunFields at SemEval-2017 Task 7: Employing Roget's Thesaurus in Automatic Pun Recognition and Interpretation
Tyumen State University（秋明国立大学）
本文描述了一个基于Roget叙词表的英语双关语自动解释模型及其实现PunFields。在双关语中，该算法发现属于两个主要语义场的两组单词。这些字段成为一个语义向量，SVM分类器基于该语义向量学习识别双关语。一个基于规则的模型，然后应用于识别故意模糊（目标）的话，他们的定义。在SemEval任务7中，PunFields在双关语分类中表现出了相当好的效果，但在目标词及其定义的搜索方面需要改进。
2017-07-18 cs.CL
UIT-E10dot3 at SemEval-2021 Task 5: Toxic Spans Detection with Named Entity Recognition and Question-Answering Approaches
University of Information Technology（信息技术大学）；Vietnam National University Ho Chi Minh City（越南国立大学胡志明市分校）
网络空间有毒评论的增加对其他脆弱的用户造成了巨大的影响。出于这个原因，人们付出了相当大的努力来处理这个问题，SemEval-2021任务5：有毒Spans检测就是其中之一。这个任务要求参赛者从给定的文本中提取具有毒性的span，我们在做实验之前做了几次分析以了解其结构。本文采用spaCy库的命名实体识别和RoBERTa结合ToxicBERT的问答两种方法解决了这一问题，前者获得了最高的F1分数66.99%.
2021-04-15 cs.CL
SFE-AI at SemEval-2022 Task 11: Low-Resource Named Entity Recognition using Large Pre-trained Language Models
Ping An Healthcare Technology（平安医疗科技）；Ping An Puhui Enterprise Management Co. Ltd（平安普惠企业管理有限公司）
大规模预训练模型在命名实体识别（NER）任务中得到了广泛的应用。然而，通过参数平均或投票的模式集成不能充分发挥不同模式的差异化优势，特别是在开放域。本文描述了我们在SemEval 2022 task11：MultiCoNER中的NER系统。我们提出了一个有效的系统，自适应集成预训练的语言模型的Transformer层。通过为不同的输入为每个模型分配不同的权重，我们采用了Transformer层来有效地集成不同模型的优点。实验结果表明，我们的方法在波斯语和荷兰语中取得了优异的性能。
2022-05-29 cs.CL
LMN at SemEval-2022 Task 11: A Transformer-based System for English Named Entity Recognition
Van Ho Middle School（范和中学）
处理复杂且有歧义的命名实体是一个具有挑战性的研究问题，但它还没有得到自然语言处理界的足够重视。在这篇简短的论文中，我们介绍了我们参与SemEval-2022任务11：多语言复杂命名实体识别的英语轨道。受预训练的Transformer语言模型的最新进展的启发，我们提出了一个简单而有效的基于Transformer的任务基线。尽管它很简单，我们提出的方法在排行榜上显示出有竞争力的结果，因为我们在30个团队中排名12。我们的系统实现了宏观F1分数为72.50%的举行了测试集。我们还探索了使用实体链接的数据增强方法。虽然这种方法并没有提高最终的性能，我们也讨论了它在本文中。
2022-02-13 cs.CL
UTNLP at SemEval-2021 Task 5: A Comparative Analysis of Toxic Span Detection using Attention-based, Named Entity Recognition, and Ensemble Models
University of Tehran（德黑兰大学）
检测句子的哪些部分导致了句子的毒性，而不是提供一个令人讨厌的判决，这将增加模型的可解释性，并允许人类主持人更好地理解系统的输出。本文介绍了我们团队的UTNLP方法和SemEval-2021共享任务5中关于有毒跨度检测的结果。我们测试了多个模型和上下文嵌入，并报告了最好的设置。实验从基于关键字的模型开始，然后是基于注意力的，基于命名实体的，基于变换器的和集成模型。我们最好的方法，合奏模型，在比赛的评估阶段达到了0.684的F1。
2021-04-10 cs.CL
PUM at SemEval-2020 Task 12: Aggregation of Transformer-based models' features for offensive language recognition
Poznan University of Technology（波兹南理工大学）
在本文中，我们描述了PUM团队参加SemEval-2020任务12的情况。创建我们的解决方案涉及利用自然语言处理中使用的两个著名的预训练模型：BERT和XLNet，它们在多个NLP任务中实现了最先进的结果。这些模型分别针对每个子任务进行了微调，从隐藏层中提取的特征被组合起来，并输入到一个完全连接的神经网络中。该模型使用聚合的Transformer特征，可以作为一个强大的工具，攻击性语言识别问题。我们的团队在子任务C -进攻目标识别中排名第7，宏观F1得分为64.727%，在子任务A -进攻语言识别中排名第64，得分为89.726%。
2020-10-05 cs.CL
CSIRO-LT at SemEval-2025 Task 11: Adapting LLMs for Emotion Recognition for Multiple Languages
CSIRO Data61（CSIRO数据61研究所）；Macquarie University（麦考瑞大学）
针对跨语言情感识别挑战，研究LLM任务适配策略，发现对多语言LLM按语言分别用LoRA微调最有效。
2025-08-02 cs.CL
SocialReasonBench: A Video-QA Benchmark for Social Reasoning with Counterfactual Narrative Videos
AAII, University of Technology Sydney（悉尼科技大学AAII（先进人工智能研究所））；Northeastern University（东北大学）；Fudan University（复旦大学）；University of Liverpool（利物浦大学）
研究人员推出SocialReasonBench基准，评估LMMs的社会推理能力，发现其在反事实和因果推理上表现不佳，凸显了模型在潜在社会状态推理上的不足。
2026-09-01 cs.CL cs.CV
A Baseline Multimodal Approach to Emotion Recognition in Conversations
School of Science, Engineering and Design, Universidad Europea de Valencia（科学、工程与设计学院，欧洲大学 Valencia）
本文提出了一种基于Transformer文本分类器和自监督语音模型的多模态基线方法，用于对话中情感识别，并通过实验展示了多模态融合的优势。
2026-01-31 cs.AI cs.CL cs.CY
UM6P-CS at SemEval-2022 Task 11: Enhancing Multilingual and Code-Mixed Complex Named Entity Recognition via Pseudo Labels using Multilingual Transformer
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；Sidi Mohamed Ben Abdellah University（西迪·穆罕默德·本·阿卜杜拉大学）；University of Sherbrooke（舍布鲁克大学）
构建现实世界中复杂的命名实体识别（NER）系统是一项具有挑战性的任务。这是由于出现在各种上下文中的命名实体的复杂性和模糊性，例如短输入句子，新兴实体和复杂实体。此外，现实世界的查询大多是畸形的，因为它们可能是代码混合或多语言的，以及其他情况。在本文中，我们介绍了我们提交的系统多语言复杂命名实体识别（MultiCoNER）共享任务。我们的方法复杂的NER多语言和代码混合查询，依赖于多语言Transformer XLM-RoBERTA提供的上下文表示。除了基于CRF的令牌分类层之外，我们还引入了跨度分类损失来识别命名实体跨度。此外，我们使用自训练机制从大型未标记数据集生成弱注释数据。我们提出的系统分别在多语言和代码混合MultiCoNER的曲目中排名第6和第8。
2022-04-28 cs.CL
USTC-NELSLIP at SemEval-2022 Task 11: Gazetteer-Adapted Integration Network for Multilingual Complex Named Entity Recognition
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Research（科大讯飞研究院）
针对多语言复杂命名实体识别任务，提出词典自适应集成网络（GAIN），通过KL散度适配词典与语言模型表示并集成训练，在SemEval-2022 MultiCoNER中取得3项第一、10项第二的优异成绩。
2022-04-18 cs.CL
IXA/Cogcomp at SemEval-2023 Task 2: Context-enriched Multilingual Named Entity Recognition using Knowledge Bases
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））；University of Pennsylvania（宾夕法尼亚大学）
针对现有NER基准未覆盖细粒度新兴实体分类等实际挑战，本文提出含实体候选识别、知识库链接、细粒度类别预测三步的级联方法，在MultiCoNER2任务及低资源语言场景下均实现稳健性能。
2023-04-27 cs.CL
LLM-RM at SemEval-2023 Task 2: Multilingual Complex NER using XLM-RoBERTa
IIIT Hyderabad（印度海得拉巴国际信息技术学院）
本文针对多语言复杂命名实体识别任务，团队LLM-RM参与SemEval 2023任务2，通过在12种语言数据集上微调XLM-RoBERTa基础模型、利用其跨语言表示来解决该问题。
2023-05-05 cs.CL
DAMO-NLP at SemEval-2022 Task 11: A Knowledge-based System for Multilingual Named Entity Recognition
Zhejiang University（浙江大学）；Singapore University of Technology and Design（新加坡科技设计大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；ShanghaiTech University（上海科技大学）
MultiCoNER共享任务的目的是在多种语言的短和低上下文设置中检测语义模糊和复杂的命名实体。上下文的缺乏使得识别具有歧义的命名实体具有挑战性。为了缓解这个问题，我们的团队DAMO-NLP提出了一个基于知识的系统，我们建立了一个基于维基百科的多语言知识库，为命名实体识别（NER）模型提供相关的上下文信息。给定一个输入句子，我们的系统有效地检索相关的知识库中的上下文。然后，原始输入句子被这样的上下文信息增强，从而允许捕获显著更好的上下文化的令牌表示。我们的系统在MultiCoNER共享任务中赢得了13个曲目中的10个。
2022-06-26 cs.CL cs.LG
UH-PRHLT at SemEval-2016 Task 3: Combining Lexical and Semantic-based Features for Community Question Answering
Universitat Politècnica de València（瓦伦西亚理工大学）；University of Houston（休斯顿大学）
在这项工作中，我们描述了由休斯顿大学（UH）计算机科学系和模式识别和人类语言技术（PRHLT）研究中心- Universitat Polit`ecnica de Val` Valle：UH-PRHLT为SemEval 2016任务3的三个英语子任务构建的系统。我们的系统代表的实例，同时使用基于词汇和语义的文本对之间的相似性度量。我们的语义功能包括使用分布式表示的话，知识图谱生成的BabelNet多语言语义网络，和FrameNet词汇数据库。实验结果优于随机和谷歌搜索引擎基线在三个英语子任务。与其他任务参与者相比，我们的方法获得了子任务B的最高结果。
2018-07-30 cs.CL
USTC-NELSLIP at SemEval-2023 Task 2: Statistical Construction and Dual Adaptation of Gazetteer for Multilingual Complex NER
State Key Laboratory of Cognitive Intelligence, iFLYTEK Research（科大讯飞认知智能国家重点实验室）；Communication University of China（中国传媒大学）
针对多语言复杂命名实体识别任务，提出SCDAG方法，通过统计构建地名词典并在句级和实体级双适配地名词典网络与XLM-R，在SemEval-2023任务2印地语赛道获第一名。
2023-05-04 cs.CL
IITK at SemEval-2024 Task 10: Who is the speaker? Improving Emotion Recognition and Flip Reasoning in Conversations via Speaker Embeddings
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文针对 SemEval-2024 任务 10，提出基于说话者嵌入的掩码记忆网络用于对话情绪识别，并设计以说话者为中心的 Transformer 模型及可能触发区域进行情绪翻转推理，在子任务 3 上较基线提升 5.9 F1。
2024-04-06 cs.AI cs.CL cs.LG
PAI at SemEval-2023 Task 2: A Universal System for Named Entity Recognition with External Entity Information
Ping An Life Insurance Company of China, Ltd.（中国平安人寿保险股份有限公司）
针对低上下文和噪声场景下的细粒度命名实体识别挑战，提出融合维基百科外部实体信息的通用NER系统，在MultiCoNER II的13个赛道中取得多项领先成绩。
2023-05-10 cs.AI cs.CL
DAMO-NLP at SemEval-2023 Task 2: A Unified Retrieval-augmented System for Multilingual Named Entity Recognition
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
DAMO-NLP团队提出统一检索增强系统U-RaNER，通过结合Wikidata知识库、注入方法及多种搜索策略解决多语言细粒度NER的知识不足和上下文限制问题，在MultiCoNER II中赢得9个赛道并优于ChatGPT。
2023-05-17 cs.CL
SemEval-2023 Task 2: Fine-grained Multilingual Named Entity Recognition (MultiCoNER 2)
Amazon.com, Inc.（亚马逊公司）
本文介绍 SemEval-2023 任务 2（MultiCoNER 2），该任务在 12 种语言、220 万实例上评测细粒度命名实体识别，发现融合外部知识的 transformer 方法表现最佳，但复杂实体类别和噪声数据仍是主要挑战。
2023-05-25 cs.AI cs.CL
CoLT-Drive: Counterfactual Long-Tail Benchmarking and Knowledge-Preserving Adaptation for Driving Affordance Prediction
NVIDIA（英伟达）
本文针对自动驾驶长尾故障的决策级驾驶 affordance 预测问题，提出反事实长尾基准 CoLT-Drive 和知识保留适应框架 KPA，KPA 在 CoLT-Drive 上的动作对准确率达 60.8%，优于基线模型。
2026-09-02 cs.AI cs.CL cs.CV
newsSweeper at SemEval-2020 Task 11: Context-Aware Rich Feature Representations For Propaganda Classification
Indian Institute of Technology Kanpur (IITK)（印度理工学院坎普尔分校）
本文介绍了我们提交给SemEval 2020任务11：检测新闻文章中的宣传技巧，分别针对跨度识别和技术分类这两个子任务。我们利用预训练的BERT语言模型增强与标签技术开发的任务命名实体识别（NER），开发一个系统，用于识别宣传跨度的文本。对于第二子任务，我们将上下文特征纳入预先训练的RoBERTa模型中，用于对宣传技术进行分类。我们在宣传技术分类子任务中排名第五。
2020-07-21 cs.CL cs.LG
NUS-Emo at SemEval-2024 Task 3: Instruction-Tuning LLM for Multimodal Emotion-Cause Analysis in Conversations
National University of Singapore（新加坡国立大学）；Xidian University（西安电子科技大学）；Wuhan University（武汉大学）
本文针对SemEval-2024多模态情感-原因对提取任务，提出基于LLM的情感-原因感知指令微调方法，结合ERC与ECPE双组件系统，实现34.71%加权F1分数并获排行榜第二名。
2024-08-22 cs.CL
Qtrade AI at SemEval-2022 Task 11: An Unified Framework for Multilingual NER Task
Qtrade AI Lab（Qtrade人工智能实验室）；Guangdong Power Grid Corporation（广东电网公司）
本文介绍了我们的系统，在SemEval 2022任务11：MultiCoNER多语言复杂命名实体识别中，在多语言轨道（子任务11）中排名第三，在代码混合轨道（子任务12）中排名第四，在中文轨道（子任务9）中排名第七。本系统的主要贡献如下：1）对于多语言NER任务，我们提供了一个统一的框架，可以很容易地执行单语言或多语言NER任务，2）对于低资源代码混合的NER任务，人们可以很容易地通过实现几个简单的数据增强方法来增强他或她的数据集，3）对于中文任务，我们提出了一个可以捕获中文词汇语义的模型，词汇边界和词汇图结构信息。最后，在测试阶段，我们的系统在子任务11、12和9上分别获得了77.66、84.35和74.00的宏观f1分数。
2022-04-14 cs.AI cs.CL
Towards Robust Multimodal Emotion Recognition under Missing Modalities and Distribution Shifts
College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）
针对多模态情感识别中模态缺失与分布偏移的双重挑战，提出融合自蒸馏与因果推断的CIDer框架，在两类场景下均以更少参数实现更优鲁棒性能。
2025-06-12 cs.CL cs.CV cs.LG
UIUC_BioNLP at SemEval-2021 Task 11: A Cascade of Neural Models for Structuring Scholarly NLP Contributions
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们提出了一个级联的神经模型，执行句子分类，短语识别和三重提取，以自动构建NLP出版物的学术贡献。为了识别论文中最重要的贡献句子，我们使用了一个基于BERT的位置特征分类器（子任务1）。使用BERT-CRF模型识别和表征投稿句中的相关短语（子任务2）。我们根据它们的元素是否以及如何在文本中表达将三元组分为几种类型，并使用单独的基于BERT的分类器和规则来处理每种类型（子任务3）。我们的系统在第一阶段评估中正式排名第二，在第二阶段评估的两个部分中排名第一。在修复了Pharse 1中的提交错误后，我们的方法总体上产生了最好的结果。在本文中，除了系统描述，我们还提供了我们的结果进一步分析，突出其优势和局限性。我们在https://github.com/Liu-Hy/nlp-contrib-graph上公开发布我们的代码。
2021-05-12 cs.CL cs.IR
Nonet at SemEval-2023 Task 6: Methodologies for Legal Evaluation
IIT Kanpur（印度理工学院坎普尔分校）；IIT Kharagpur（印度理工学院克勒格布尔分校）；Symbiosis Law School Pune（浦那共生法学院）；IISER Kolkata（印度科学教育与研究院加尔各答分院）
本文介绍了SemEval-2023法律任务6的提交，涵盖法律命名实体识别、法律判决预测和带解释的法院判决预测三个子任务，通过多种实验取得第15、11和1名的排名，凸显了法律文本自动化分析的重要性。
2023-10-17 cs.AI cs.CL cs.IR
Counterfactual Detection meets Transfer Learning
Xidian University（西安电子科技大学）；School of Artificial Intelligence（人工智能学院）
反事实属于话语结构和语义学的范畴，是自然语言理解的核心领域。本文介绍了一种解决反事实检测的方法，以及反事实语句的前件和后件的索引。虽然迁移学习已经被应用于几个NLP任务，但它具有在许多新任务中表现出色的特点。我们发现，检测反事实是一个简单的二进制分类任务，可以实现与现有的模型架构上的最小的适应，由于一个很好的注释训练数据集，我们引入了一个新的端到端的管道来处理前件和后果作为一个实体识别任务，从而适应他们到令牌分类。
2020-05-27 cs.CL cs.LG
Samsung Research China-Beijing at SemEval-2024 Task 3: A multi-stage framework for Emotion-Cause Pair Extraction in Conversations
Samsung Research China-Beijing（三星中国研究院（北京））；Samsung R&D Institute China-Beijing（三星中国研发院（北京））
本研究提出一个多阶段框架，用于对话中的多模态情绪-原因对抽取，利用基于 Llama-2 的 InstructERC 识别情绪，并结合双流注意力模型和 MuTEC 抽取因果对与因果跨度，在 SemEval-2024 Task 3 的两个子任务中均获第一名。
2024-04-25 cs.CL cs.SD eess.AS
