LTG 在 SemEval-2025 任务 10 中的表现：优化上下文以进行叙事角色分类
LTG at SemEval-2025 Task 10: Optimizing Context for Classification of Narrative Roles
AI总结：
针对 SemEval-2025 任务 10 的实体框架分类，本文提出面向实体的上下文选择启发式方法，使有限上下文窗口的 XLM-RoBERTa 达到或超过大型生成式模型监督微调的效果。
摘要：
我们对 SemEval 2025 共享任务 10 中关于实体框架的子任务 1 的贡献，解决了从较长文档中提供必要片段作为上下文，以供掩码语言模型进行分类的挑战。我们表明，一种简单的面向实体的上下文选择启发式方法，能够使用上下文窗口有限的模型实现文本分类。我们的上下文选择方法与 XLM-RoBERTa 语言模型相当，甚至优于使用更大生成式语言模型的监督微调。
英文摘要：
Our contribution to the SemEval 2025 shared task 10, subtask 1 on entity framing, tackles the challenge of providing the necessary segments from longer documents as context for classification with a masked language model. We show that a simple entity-oriented heuristics for context selection can enable text classification using models with limited context window. Our context selection approach and the XLM-RoBERTa language model is on par with, or outperforms, Supervised Fine-Tuning with larger generative language models.
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。
