Automatic Translation of Hate Speech to Non-hate Speech in Social Media Texts
Instituto Politécnico Nacional(国立理工学院)
本文提出将西班牙语仇恨言论在保留原意的前提下自动改写为非仇恨言论的新任务,并提供数据集与多个基线,采用 BLEU 等指标评估,以助力遏制在线仇恨言论传播。
2023-06-02 cs.CL
Tuiteamos o pongamos un tuit? Investigating the Social Constraints of Loanword Integration in Spanish Social Media
University of Michigan(密歇根大学);Georgia Institute of Technology(佐治亚理工学院);Google Research(谷歌研究院)
非英语语言的使用者经常从英语中借用外来词来表达新的或不寻常的概念。虽然这些外来词可以原封不动地借用,但说话者也可以整合这些词以适应其母语的限制,例如从英语“tweet”创建西班牙语“tuitear”。“语言学家通常认为外来词整合的过程更多地依赖于语言内部的限制,但社会语言学的限制,如说话人的背景,仍然只是定性的理解。我们调查的作用,社会背景和扬声器的背景在西班牙语使用的综合借词在社交媒体上。我们首先发现,报纸作者比社交媒体作者更频繁地使用外来词和本地词的整合形式,这表明整合与正式领域有关。在社交媒体中,我们发现说话者的背景和对正式的期望解释了外来词和本地词的整合,这样,使用更多西班牙语和向更广泛的受众写作的作者往往更频繁地使用整合的动词形式。本研究表明,外来词整合不仅反映了语言内部的限制,但也不同的会话和扬声器的社会期望。
2021-01-16 cs.CL
Evaluating the Realism of LLM-powered Social Agents: A Case Study of Reactions to Spanish Online News
Faculty of Computer Science, University of Murcia(计算机科学系,穆尔西亚大学)
通过比较真实与LLM生成的西班牙新闻评论,研究LLM在仇恨言论、情感和语义对齐三个维度上的真实性,发现现成模型表现不佳,微调可部分改善。
2026-05-27 cs.AI cs.CL
Fake News Detection on Social Media: A Data Mining Perspective
Arizona State University(亚利桑那州立大学);Charles River Analytics(查尔斯河分析公司);Michigan State University(密歇根州立大学)
社交媒体对新闻消费来说是一把双刃剑。一方面,它的低成本,容易获取和快速传播的信息导致人们从社交媒体中寻找和消费新闻。另一方面,它使“假新闻”得以广泛传播,即,低质量新闻,故意虚假信息。假新闻的广泛传播有可能对个人和社会产生极其负面的影响。因此,社交媒体上的假新闻检测最近成为一项新兴的研究,引起了极大的关注。社交媒体上的假新闻检测呈现出独特的特征和挑战,使得传统新闻媒体的现有检测算法无效或不适用。首先,假新闻是故意编写的,以误导读者相信虚假信息,这使得基于新闻内容的检测变得困难和重要;因此,我们需要包括辅助信息,例如社交媒体上的用户社交活动,以帮助做出决定。其次,利用这些辅助信息本身就具有挑战性,因为用户与假新闻的社交活动会产生大量、不完整、非结构化和嘈杂的数据。由于社交媒体上的假新闻检测问题既具有挑战性又具有相关性,我们进行了这项调查,以进一步促进对该问题的研究。本文对社交媒体上的假新闻检测进行了全面的综述,包括心理学和社会学理论对假新闻的刻画、数据采掘视角下的现有算法、评价指标和代表性数据集。我们还讨论了社交媒体上虚假新闻检测的相关研究领域,开放问题和未来的研究方向。
2017-09-03 cs.AI cs.SI
EsBBQ and CaBBQ: The Spanish and Catalan Bias Benchmarks for Question Answering
Barcelona Supercomputing Center (BSC-CNS)(巴塞罗那超级计算中心(BSC-CNS));HiTZ Center – IXA, University of the Basque Country(HiTZ中心–IXA,巴斯克大学)
本文针对非英语及美国以外社会背景的资源匮乏问题,提出了西班牙语和加泰罗尼亚语问答偏见基准(EsBBQ和CaBBQ),基于BBQ评估10类社会偏见,实验表明模型在模糊场景下易选错且高准确率常伴随对社会偏见的更大依赖。
2025-07-15 cs.CL
Mapping the Multilingual Margins: Intersectional Biases of Sentiment Analysis Systems in English, Spanish, and Arabic
Columbia University(哥伦比亚大学)
随着自然语言处理系统变得越来越普遍,有必要解决其实施和部署中的公平性问题,以确保其对社会的负面影响得到理解和最小化。然而,使用多语言和交叉框架或下游任务研究公平性的工作有限。在本文中,我们介绍了四个多语种的公平评估语料库,补充测试集,旨在衡量社会偏见,和一个新的统计框架,研究自然语言处理中的单一和交叉的社会偏见。我们使用这些工具来测量性别,种族,民族和跨部门的社会偏见,在英语,西班牙语和阿拉伯语的情绪回归任务训练的五个模型。我们发现,许多系统表现出统计上显着的单一和交叉的社会偏见。
2022-04-07 cs.CL
MuSeD: A Multimodal Spanish Dataset for Sexism Detection in Social Media Videos
University of Barcelona, CLiC-Language and Computing Center(巴塞罗那大学,CLiC语言与计算中心);University of Copenhagen, Department of Computer Science(哥本哈根大学,计算机科学系)
本文提出多模态西班牙语数据集MuSeD(约11小时TikTok和BitChute视频)及标注框架,用于检测视频中的性别歧视,并评估多种大语言模型,发现视觉信息对识别性别歧视至关重要,但模型在隐性性别歧视上表现较差。
2025-08-21 cs.AI cs.CL
Content-Localization based Neural Machine Translation for Informal Dialectal Arabic: Spanish/French to Levantine/Gulf Arabic
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院);University of Ottawa(渥太华大学)
针对高资源语言资源未有效用于低资源语言的问题,提出利用AI将高资源语言内容本地化到阿拉伯方言的框架,构建首个西/法语与非正式阿方言的平行数据集,验证了资源利用能力及方言对社会行为分析的影响。
2023-12-12 cs.CL
Evaluating the Performance of Large Language Models for Spanish Language in Undergraduate Admissions Exams
UPIITA-IPN(墨西哥国立理工学院高等跨学科技术专业单位);University of California, Irvine(加州大学尔湾分校)
本研究评估GPT-3.5和BARD在墨西哥国家理工学院本科入学考试中的西班牙语表现,两者均超最低录取线,GPT-3.5以60.94%略胜BARD的60.42%。
2023-12-28 cs.AI cs.CL
Improving Mental Health Screening and Early Risk Detection in Spanish
Valencian Research Institute for Artificial Intelligence(瓦伦西亚人工智能研究中心);Universitat Politècnica de València(瓦伦西亚理工大学);Valencian Graduate School and Research Network of Artificial Intelligence(瓦伦西亚人工智能研究生学院及研究网络)
该研究针对西班牙语心理健康筛查的资源与分析难题,开发适配心理健康领域的西班牙语基础模型及增量上下文扩展方法,结合后在三个基准上提升了早期风险检测性能并降低延迟,模型公开可用。
2026-07-31 cs.CL
Imperative Interference: Social Register Shapes Instruction Topology in Large Language Models
the University of British Columbia(不列颠哥伦比亚大学);the Georgia Institute of Technology(佐治亚理工学院)
研究探讨了社会语体如何影响大语言模型中指令拓扑,通过多语言实验发现指令拓扑反转由社会语体调解,改写指令可减少跨语言差异。
2026-10-09 cs.AI cs.CL cs.SE
Exploiting user-frequency information for mining regionalisms from Social Media texts
Universidad de Buenos Aires(布宜诺斯艾利斯大学);CONICET(阿根廷国家科学与技术研究理事会);Academia Argentina de Letras(阿根廷文学院)
检测区域主义(在某些区域使用的表达方式或词语)的任务传统上依赖于使用问卷和调查,也严重依赖于调查员的专业知识和直觉。社交媒体及其微博服务的涌入产生了前所未有的丰富内容,主要是用户生成的非正式文本,为语言学家扩展语言变异研究提供了新的机会。以前的工作自动检测区域主义主要依赖于词频。在这项工作中,我们提出了一种新的度量的基础上信息论,结合用户频率。我们在阿根廷西班牙语推文语料库上以两种方式测试了这一指标:通过手动注释检索到的术语的相关性,以及作为用户地理定位的特征选择方法。在任何一种情况下,我们的指标都优于其他仅基于词频的技术,这表明测量产生单词的用户数量是有用的。这个工具帮助词典编纂者发现了阿根廷西班牙语的几个未注册单词,以及分配给注册单词的不同含义。
2019-07-10 cs.CL
Multilingual Hate Speech Detection in Social Media Using Translation-Based Approaches with Large Language Models
Instituto Politecnico Nacional (IPN)(国家理工学院)
本文构建英、乌、西三语仇恨言论推文数据集,并结合注意力层、传统模型、transformer与GPT/Qwen等LLM进行基准评估,显著提升多语言检测性能。
2025-06-09 cs.AI cs.CL cs.LG
A Spanish dataset for Targeted Sentiment Analysis of political headlines
Instituto de Fisiología, Biología Molecular y Neurociencia, CONICET, UBA(布宜诺斯艾利斯大学国家科学技术研究委员会生理、分子生物学与神经科学研究所);Facultad de Psicología, UBA(布宜诺斯艾利斯大学心理学学院);Instituto de Ciencias de la Computación, CONICET, UBA(布宜诺斯艾利斯大学国家科学技术研究委员会计算机科学研究所)
主观文本已经被一些作品研究,因为它们可以诱导用户的某些行为。大多数工作都集中在社交网络中用户生成的文本上,但其他一些文本也包含对某些主题的意见,并且可能影响政治决策期间的判断标准。在这项工作中,我们解决了针对2019年阿根廷总统选举期间主要媒体发布的新闻标题领域的目标情感分析任务。为此,我们提出了一个极性数据集,其中包含1,976个标题,其中提到了2019年选举中目标水平的候选人。基于预先训练的语言模型的最先进的分类算法的初步实验表明,目标信息有助于完成这项任务。我们公开我们的数据和预训练模型。
2022-08-30 cs.CL
The growing amplification of social media: Measuring temporal and social contagion dynamics for over 150 languages on Twitter for 2009-2020
University of Vermont(佛蒙特大学);Charles River Analytics(查尔斯河分析公司)
从2009年初到2019年底,我们从1180亿条消息的数据集出发,确定并探索了Twitter上150多种语言的相对日常使用情况。我们发现八种语言占所有推文的80%,其中英语,日语,西班牙语和葡萄牙语是最主要的。为了量化每种语言随着时间的推移的社交传播,我们计算了“传染率”:转发到有机消息的平衡。我们发现,对于Twitter上最常见的语言,有一个不断增长的趋势,虽然不是普遍的,转发,而不是分享新的内容。到2019年底,包括英语和西班牙语在内的前30种语言中有一半的感染率已经达到1以上-幼稚感染阈值。2019年,平均每日使用率最高的前5种语言依次是泰语(7.3)、印地语、泰米尔语、乌尔都语和加泰罗尼亚语,而最低的5种语言是俄语、瑞典语、世界语、宿务语和芬兰语(0.26)。此外,我们还发现,随着时间的推移,大多数常见语言的感染率比稀有语言的感染率增长得更快。
2021-03-09 cs.CL cs.LG stat.AP
SoMe: A Realistic Benchmark for LLM-based Social Media Agents
SoMe是一个用于评估基于大语言模型的社会媒体代理能力的现实基准,通过多样化任务和大量数据揭示了现有LLM在处理社交媒体任务中的局限性。
2025-12-09 cs.AI cs.CL cs.SI
Optimism, Expectation, or Sarcasm? Multi-Class Hope Speech Detection in Spanish and English
The University of Punjab(旁遮普大学);Texas Tech University(德克萨斯理工大学)
本文提出多语言细粒度希望言论数据集PolyHope V2,区分四种希望子类型,并通过实验证明微调transformer在检测细微希望类别和讽刺方面优于GPT-4和Llama 3等大语言模型。
2025-05-05 cs.CL
Identification of emotions on Twitter during the 2022 electoral process in Colombia
Universidad de Buenos Aires (UBA)(布宜诺斯艾利斯大学);Instituto de Ciencias de la Computación, CONICET, Universidad de Buenos Aires(CONICET 布宜诺斯艾利斯大学计算机科学研究所)
本研究针对哥伦比亚西班牙语情绪检测资源匮乏的问题,构建了2022年哥伦比亚总统选举相关的小型西班牙语Twitter情绪标注语料库,对比了BERT模型与少样本设置下GPT-3.5的情绪分类效果,并公开了数据集和代码。
2024-07-09 cs.CL cs.LG
Suicidal Ideation Detection on Social Media: A Review of Machine Learning Methods
King AbdulAziz University(阿卜杜勒阿齐兹国王大学)
社交媒体平台改变了传统的沟通方式,允许全球用户即时、公开和频繁地进行沟通。人们使用社交媒体来表达他们的观点,分享他们的个人故事和斗争。表达艰难、死亡和自我伤害的负面情绪在社交媒体上很普遍,尤其是在年轻一代中。因此,使用社交媒体来检测和识别自杀意念将有助于提供适当的干预,最终阻止他人自残和自杀,并防止自杀意念在社交媒体上传播。已经进行了许多研究,以确定社交媒体中的自杀意念和行为。本文全面总结了目前在社交媒体上使用机器学习算法检测自杀意念的研究工作。本文回顾了24项研究,调查社交媒体用于自杀意念检测的可行性,旨在促进该领域的进一步研究,并将成为从事自杀文本分类的研究人员的有益资源。
2022-01-25 cs.CL
Social Media Argumentation Mining: The Quest for Deliberateness in Raucousness
University of Zagreb(萨格勒布大学)
从社交媒体内容中挖掘论证已经引起越来越多的关注。这项任务既有挑战性,又有回报。用户生成内容的非正式性质使得这项任务非常困难。另一方面,通过对社交媒体论证进行大规模分析可以获得的见解使其成为一项非常有价值的任务。在这份立场文件中,我讨论了社会媒体论证挖掘的动机,以及所涉及的任务和挑战。
2016-12-31 cs.CL
Te Ahorré Un Click: A Revised Definition of Clickbait and Detection in Spanish News
Universidad de la República(乌拉圭共和国大学);PEDECIBA
研究重新定义了点击诱饵并提出制造好奇心缺口是其核心特征,同时构建了首个西班牙语点击诱饵检测开源数据集TA1C,实现了F1分数达0.84的强基线模型。
2025-07-13 cs.CL cs.SI
UPB at SemEval-2020 Task 9: Identifying Sentiment in Code-Mixed Social Media Texts using Transformers and Multi-Task Learning
University Politehnica of Bucharest(布加勒斯特理工大学)
情感分析是一种广泛用于当今进行的意见挖掘活动的过程。这种现象在各种领域中有应用,特别是在收集与用户对特定主题的态度或满意度有关的信息方面。然而,当它应用于倾向于结合两种语言来表达思想和想法的文化时,管理这样一个过程的任务变得明显更加困难。通过交错两种语言的单词,用户可以轻松地表达,但代价是使文本对于那些不熟悉这种技术的人以及标准的意见挖掘算法来说都不太容易理解。在本文中,我们描述了我们的团队为SemEval-2020任务9开发的系统,旨在涵盖两种着名的代码混合语言:印地语-英语和西班牙语-英语。我们打算通过引入一种解决方案来解决这个问题,该解决方案利用了几种神经网络方法以及预训练的词嵌入。我们的方法(多语言BERT)在印地语-英语任务上取得了令人满意的表现,平均F1分数为0.6850,在比赛排行榜上注册,在62名参赛者中排名第16位。对于西班牙语-英语任务,我们使用另一种基于多语言转换器的模型XLM-RoBERTA获得了平均F1分数0.7064,在29名参与者中排名第17。
2020-09-06 cs.CL
Combine CRF and MMSEG to Boost Chinese Word Segmentation in Social Media
Shanghai Jiaotong University(上海交通大学)
本文提出了一种中文社交媒体分词的联合算法。以往的工作主要集中在针对普通中文文本的分词,要开发一个中文社会化媒体处理工具,需要考虑到社会化媒体的主要特点,其语法结构不严谨,使用口语化和网络术语的倾向使得现有的中文处理工具在社会化媒体上效率低下,无法获得良好的性能。在该方法中,我们将CRF和MMSEG算法相结合,并扩展了传统CRF算法的特点,对模型进行训练,用于分词。我们在新浪微博上的实验结果表明,我们的方法优于国家的最先进的模型。
2015-10-24 cs.CL
Z-Index at CheckThat! Lab 2022: Check-Worthiness Identification on Tweet Text
Daffodil International University(达福迪尔国际大学);Qatar Computing Research Institute(卡塔尔计算研究所)
社交媒体和数字技术的广泛使用有助于分享有关事件和活动的各种新闻和信息。尽管分享了积极的信息,但误导和虚假信息也在社交媒体上传播。已经有人努力通过人工专家和自动工具来识别这种误导性信息。由于网上出现了大量包含事实主张的信息,手工工作无法很好地扩展。因此,自动识别值得检查的索赔对人类专家来说非常有用。在这项研究中,我们描述了我们的参与子任务-1A:检查价值的鸣叫(英语,荷兰语和西班牙语)的检查!CLEF 2022的实验室我们执行标准的预处理步骤,并应用不同的模型来识别给定的文本是否值得进行事实检查。我们使用过采样技术来平衡数据集,并应用支持向量机和随机森林(RF)与TF-IDF表示。我们还使用BERT多语言(BERT-m)和XLM-RoBERTa-base预训练模型进行实验。我们使用BERT-m进行正式提交,我们的系统在西班牙语,荷兰语和英语中分别排名第3,第5和第12位。在进一步的实验中,我们的评估表明,Transformer模型(BERT-m和XLM-RoBERTa-base)在荷兰语和英语语言中优于SVM和RF,而在西班牙语中观察到不同的情况。
2022-07-15 cs.CL cs.LG
SocialQuotes: Learning Contextual Roles of Social Media Quotes on the Web
Google Research(谷歌研究院)
提出一种语言建模框架自动标注社交媒体嵌入在网页上下文中的角色,并发布包含超3200万条引用的SocialQuotes数据集,通过角色分类案例研究展示了现代LLM的合理性能并揭示了跨平台角色分布。
2024-07-22 cs.CL
SMILE: Evaluation and Domain Adaptation for Social Media Language Understanding
Google Research(谷歌研究院)
本文提出SMILE基准,涵盖4个社交媒体平台和11项任务,用于评估语言模型对社交媒体语言的理解能力,并证明在混合语料上训练tokenizer和预训练可显著提升模型性能。
2023-06-30 cs.CL
A Discussion on Influence of Newspaper Headlines on Social Media
Trinity College Dublin, University of Dublin(都柏林大学圣三一学院)
报纸头条的贡献很大,并对社交媒体产生影响。本文研究了动词和形容词对新闻标题的影响力的持久性,并确定了影响其在社交媒体上的性质的因素。每个标题都根据其情绪得分分为积极,消极或中性。初步结果表明,情绪性质的强度与社交媒体印象呈正相关。此外,动词和形容词与情感得分有一定的关系
2019-09-05 cs.CL
Comparing Measures of Linguistic Diversity Across Social Media Language Data and Census Data at Subnational Geographic Areas
University of Canterbury(坎特伯雷大学)
该研究针对新西兰奥特亚罗瓦次国家级区域,对比社交媒体与人口普查数据的语言多样性度量,发现社交媒体数据可用于观测区域语言多样性时空变化,但需进一步验证其对现实行为的表征能力。
2023-08-21 cs.CL
IUST at SemEval-2020 Task 9: Sentiment Analysis for Code-Mixed Social Media Text using Deep Neural Networks and Linear Baselines
Iran University of Science and Technology(伊朗科技大学)
情感分析是自然语言处理的一个研究领域。然而,社交媒体的快速增长和其中的嘈杂内容对用成熟的方法和工具解决这个问题提出了重大挑战。其中一个挑战是代码混合,这意味着在社交媒体文本中使用不同的语言来传达思想。我们的团队名为IUST(用户名:TAHA),参加了SemEval-2020共享任务9关于代码混合社交媒体文本的情感分析,我们试图开发一个系统来预测给定代码混合推文的情感。我们使用了不同的预处理技术,并建议使用不同的方法,从NBSVM到更复杂的深度神经网络模型。我们的最佳执行方法获得了0.751的F1分数的西班牙语-英语子任务和0.706的印地语-英语子任务。
2020-07-24 cs.CL
AMUSED: An Annotation Framework of Multi-modal Social Media Data
University of Duisburg-Essen(杜伊斯堡-埃森大学);University of Agder(阿格德大学)
在本文中,我们提出了一个名为AMUSED的半自动化框架,用于从多个社交媒体平台收集多模态注释数据。该框架旨在通过在数据汇集过程中紧密结合机器和人类来缓解收集和注释社交媒体数据的问题。从专业新闻媒体或博客的文章列表中,AMUSED检测新闻文章中社交媒体帖子的链接,然后从相应的社交媒体平台下载同一帖子的内容,以收集有关该特定帖子的详细信息。该框架能够从Twitter,YouTube,Reddit等多个平台获取注释数据。该框架旨在减少社交媒体平台数据注释背后的工作量和问题。AMUSED可以应用于多个应用领域,作为用例,我们已经实现了从不同社交媒体平台收集COVID-19错误信息数据的框架。
2021-08-10 cs.CL cs.IR cs.SI
Multilingual Abusiveness Identification on Code-Mixed Social Media Text
Microsoft(微软);Indian Institute Of Technology (IIT) Guwahati(印度理工学院古瓦哈提分校)
随着时间的推移,社交媒体平台的使用率一直在增长。随着过去一年的封锁,人们的互动,对话和表达受到了身体上的限制,这种增长进一步加速。为了更好的用户体验,保持平台免受滥用内容的影响变得越来越重要。英语社交媒体内容已经做了很多工作,但非英语社交媒体上的文本分析相对来说还不够深入。非英语社交媒体内容还面临着代码混合、音译和在同一句话中使用不同经文的额外挑战。在这项工作中,我们提出了一种方法,包括印度语言的多语言Moj数据集上的滥用识别。我们的方法解决了非英语社交媒体内容的常见挑战,也可以扩展到其他语言。
2022-03-01 cs.CL cs.LG cs.SI
Spatial Data Mining of Public Transport Incidents reported in Social Media
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
公共交通机构将社交媒体作为向乘客传达交通事故的重要工具。然而,虽然关于交通现象的短期日常信息通常以低延迟发布在社交媒体上,但其可用性是短期的,因为内容很少以聚合形式呈现。关于交通现象的社交媒体传播通常缺乏GIS注释,因为大多数社交媒体平台不允许将非POI GPS坐标附加到帖子。因此,对传输现象信息的分析是最少的。我们收集了一家波兰公共交通公司三年来在社交媒体上发布的用户评论。通过探索,我们推断出六类交通信息类型。我们成功地为社交媒体帖子构建了一个信息类型分类器,检测帖子中的站点名称,并将其与GPS坐标相关联,从而获得对长期聚合现象的空间理解。我们表明,我们的方法使公民科学,并使用它来分析三年的基础设施事件对乘客流动性的影响,以及对每个事件的情绪和反应规模。波兰语在空间语言理解方面资源不足,尤其是在社交媒体环境中。为了改善这种情况,我们发布了两个带注释的数据集:带有事件类型标签的社交媒体帖子,以及与注释情绪匹配的停止名称和社交媒体评论。我们还开源了实验代码库。
2021-10-11 cs.CL cs.LG cs.SI
Mining Social Media for Newsgathering: A Review
Queen Mary University of London(伦敦玛丽女王大学)
社交媒体正在成为了解突发新闻和跟踪正在进行的新闻的最新发展的越来越重要的数据来源。这在一定程度上是由于移动设备的存在,移动设备允许任何人访问互联网,从任何地方发布更新,从而导致公民新闻的出现越来越多。因此,社交媒体已成为记者在新闻采集过程中的首选资源。然而,利用社交媒体进行新闻采访具有挑战性,需要适当的工具来便利获取有用的信息进行报道。在本文中,我们提供了一个概述的研究数据采掘和自然语言处理挖掘社会媒体的新闻采集。我们讨论了研究人员为减轻社交媒体新闻采集固有的挑战而开展的五个不同领域:新闻发现,新闻策划,内容验证和验证,新闻采集仪表板和其他任务。我们概述了迄今为止在该领域取得的进展,总结了当前的挑战,并讨论了未来的方向,在使用计算新闻,以协助社会媒体新闻采集。这篇评论与研究社交媒体新闻的计算机科学家以及对计算机科学和新闻学交叉感兴趣的跨学科研究人员有关。
2019-09-11 cs.CL cs.IR cs.SI