MasonTigers 在 SemEval-2024 任务 1：面向语义文本相关性的集成方法
MasonTigers at SemEval-2024 Task 1: An Ensemble Approach for Semantic Textual Relatedness
AI总结：
本文提出 MasonTigers 参加 SemEval-2024 任务 1 的集成方法，结合统计机器学习、语言特定 BERT 模型和句子 Transformer，在 14 种语言、三个赛道中取得靠前排名。
摘要：
本文介绍了 MasonTigers 参加 SemEval-2024 任务 1——语义文本相关性（Semantic Textual Relatedness）的情况。该任务涵盖有监督（Track A）、无监督（Track B）和跨语言（Track C）三种设置，涉及 14 种不同语言。MasonTigers 是仅有的两支在三个赛道中全部语言上均参与比赛的团队之一。我们的方法在 Track A 中排名第 11 至第 21 位，在 Track B 中排名第 1 至第 8 位，在 Track C 中排名第 5 至第 12 位。在遵循任务特定约束的前提下，我们表现最佳的方法采用了统计机器学习集成方法，并结合了语言特定的基于 BERT 的模型和句子 Transformer（sentence transformers）。
英文摘要：
This paper presents the MasonTigers entry to the SemEval-2024 Task 1 - Semantic Textual Relatedness. The task encompasses supervised (Track A), unsupervised (Track B), and cross-lingual (Track C) approaches across 14 different languages. MasonTigers stands out as one of the two teams who participated in all languages across the three tracks. Our approaches achieved rankings ranging from 11th to 21st in Track A, from 1st to 8th in Track B, and from 5th to 12th in Track C. Adhering to the task-specific constraints, our best performing approaches utilize ensemble of statistical machine learning approaches combined with language-specific BERT based models and sentence transformers.
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。
