arXiv cs.CL· Selim F. Yilmaz, E. Batuhan Kaynak, Aykut Ko\c{c}, Hamdi Dibeklio\u{g}lu, Suleyman S. Kozat·· 12 小时前AI 评分26
面向100种语言的多标签情感分析：动态加权解决标签不平衡
Multi-Label Sentiment Analysis on 100 Languages with Dynamic Weighting for Label Imbalance
AI 导读
研究提出一个多标签情感分析框架，采用动态加权方法在训练中平衡各类别贡献，替代按类别频率设定固定权重的静态加权，并将单标签目标识别中的 focal loss 适配到多标签场景。该方法还给出以线性时间复杂度选取最大化 macro-f1 的类别专属阈值的方法，单一模型在3种语言的9项指标中7项取得 SOTA，优于 SemEval 竞赛基线及最佳方法。代码已公开，模型支持100种语言的情感分析。
正文 · AI 翻译
摘要：我们研究跨语言情感分析，该任务因在市场研究、政治和社会科学等多个领域的应用而备受关注。特别地，我们引入了一个多标签设置下的情感分析框架，因为它遵循 Plutchik 的情绪轮。我们提出了一种新颖的动态加权方法，在训练过程中平衡每个类别的贡献，这与以往基于类别频率分配固定权重的静态加权方法不同。此外，我们将单标签目标识别文献中偏好较难样本的 focal loss 适配到我们的多标签设置中。进一步地，我们推导出一种以线性时间复杂度选择使 macro-f1 分数最大化的最优类别特定阈值的方法。通过大量实验，我们表明，与常见基线以及 SemEval 竞赛中表现最佳的方法相比，我们的方法使用单一模型在 3 种不同语言的 9 项指标中的 7 项上取得了最先进的性能。我们公开分享了我们的模型代码，该模型可对 100 种语言进行情感分析，以促进进一步研究。
| 评论： | 12 页，4 幅图，4 张表。发表于 IEEE Transactions on Neural Networks and Learning Systems 的文章的录用版本 |
| 主题： | 机器学习（cs.LG）；计算与语言（cs.CL）；机器学习（stat.ML） |
| 引用为： | arXiv:2008.11573 [cs.LG] |
| （或 arXiv:2008.11573v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2008.11573 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | IEEE Transactions on Neural Networks and Learning Systems，第 34 卷，第 1 期，第 331-343 页，2023 年 1 月 |
| 相关 DOI： | https://doi.org/10.1109/TNNLS.2021.3094304
链接到相关资源的 DOI |
提交历史
来自：Selim Firat Yilmaz [查看电子邮件]
[v1]
2020 年 8 月 26 日星期三 14:16:02 UTC（544 KB）
[v2]
2026 年 10 月 21 日星期三 15:32:15 UTC（505 KB）
来源：arXiv cs.CL · arxiv.org