Hitachi 在 SemEval-2023 任务 3 中的表现：探索用于在线新闻体裁与框架检测的跨语言多任务策略
Hitachi at SemEval-2023 Task 3: Exploring Cross-lingual Multi-task Strategies for Genre and Framing Detection in Online News
AI总结：
本文针对多语言低资源在线新闻体裁与框架检测，探索预训练语言模型的跨语言、多任务训练及外部平衡数据策略，并通过集成模型在两个子任务中取得最佳宏平均 F1。
摘要：
本文介绍了 Hitachi 团队参与 SemEval-2023 任务 3“在多语言环境中检测在线新闻的体裁、框架和说服技巧”的情况。基于该任务的多语言、多任务特性以及低资源场景，我们研究了用于训练预训练语言模型的不同跨语言和多任务策略。通过大量实验，我们发现：（a）跨语言/多任务训练，以及（b）收集外部平衡数据集，能够为体裁和框架检测带来收益。我们基于这些结果构建了集成模型，并在意大利语和俄语体裁分类子任务中取得了最高的宏平均 F1 分数。
英文摘要：
This paper explains the participation of team Hitachi to SemEval-2023 Task 3 "Detecting the genre, the framing, and the persuasion techniques in online news in a multi-lingual setup.'' Based on the multilingual, multi-task nature of the task and the low-resource setting, we investigated different cross-lingual and multi-task strategies for training the pretrained language models. Through extensive experiments, we found that (a) cross-lingual/multi-task training, and (b) collecting an external balanced dataset, can benefit the genre and framing detection. We constructed ensemble models from the results and achieved the highest macro-averaged F1 scores in Italian and Russian genre categorization subtasks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
