YNU-HPCC 在 SemEval-2025 任务 11 中的参与：使用多预测头弥合基于文本的情感差距
YNU-HPCC at SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Using Multiple Prediction Headers
- Yunnan University（云南大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
YNU-HPCC 团队在 SemEval-2025 任务 11 中采用 RoBERTa 模型，通过改进输出头并翻译数据集，实现了 0.44 的官方分数，并发现单预测头与统一英文训练更优。
AI中文摘要：
本文描述了 YNU-HPCC 团队在 SemEval-2025 任务 11 子任务 A“弥合基于文本的情感差距”中的参与情况。我们表现最佳的系统采用了 RoBERTa（鲁棒优化的 BERT 方法）模型，这是 BERT 的改进版本，利用 Transformer 编码器架构。我们增强了输出头，使模型能够同时处理一种情感。我们获得了官方排名分数（0.44），包括所有语言的结果。整个数据集使用 Google Translate 翻译成英文，以方便后续处理。通过概率和注意力分析，我们发现（I）单个预测头优于同时预测六种情感的六个头，并且（II）在统一翻译的英文数据集上训练比使用原始数据集产生更好的结果。代码可在以下网址获取：此 https URL。
英文摘要：
This paper describes the participation of the YNU-HPCC team in subtask A of task 11, Bridging the Gap in Text-Based Emotion at SemEval-2025. Our best-performing system employs the RoBERTa (Robustly Optimized BERT Approach) model, an improved version of BERT that utilizes the Transformer encoder architecture. We enhanced the output head to allow the model to process one emotion simultaneously. We obtained the official ranking score (0.44), including results from all languages. The entire dataset was translated into English using Google Translate to facilitate subsequent processing. Through probabilistic and attention analyses, we found that (I) a single prediction head performs better than six heads predicting six emotions simultaneously, and (II) training on a uniformly translated English dataset yields better results than using the original dataset. The code is available at: https://github.com/BGWH123/Semeval-2025-task11.
