KU-MTL at SemEval-2018 Task 1 : Multi-task Identification of Affect in TweetsKU-MTL at SemEval-2018 Task 1: Multi-task Identification of Affect in Tweets

Thomas Nyegaard-Signori; Casper Veistrup Helms; Johannes Bjerva; Isabelle Augenstein

doi:10.18653/v1/S18-1058

KU-MTL at SemEval-2018 Task 1 : Multi-task Identification of Affect in TweetsKU-MTL at SemEval-2018 Task 1: Multi-task Identification of Affect in Tweets KCharselect unicode block name Comment NAME OF TRANSLATORS Name Name Name

Thomas Nyegaard-Signori, Casper Veistrup Helms, Johannes Bjerva, Isabelle Augenstein

Abstract

We take a multi-task learning approach to the shared Task 1 at SemEval-2018. The general idea concerning the model structure is to use as little external data as possible in order to preserve the task relatedness and reduce complexity. We employ multi-task learning with hard parameter sharing to exploit the relatedness between sub-tasks. As a base model, we use a standard recurrent neural network for both the classification and regression subtasks. Our system ranks 32nd out of 48 participants with a Pearson score of 0.557 in the first subtask, and 20th out of 35 in the fifth subtask with an accuracy score of 0.464.

Abstract

Ons neem 'n multi-taak leer toegang na die gedeelde taak 1 by SemEval-2018. Die algemene idee aangaande die model struktuur is om so klein eksterne data as moontlik te gebruik om die taak verpligtigheid te bewaar en kompleksiteit te verminder. Ons gebruik multi-taak leer met moeilike parameter deel om die verwantigheid tussen sub-taak te gebruik. As 'n basis model, gebruik ons 'n standaard herhaalde neuralnetwerk vir beide die klassifikasie en regresie subtaske. Ons stelsel rank 32nd uit 48 deelnimmers met 'n Pearson skaal van 0,557 in die eerste subvraag, en 20 uit 35 in die vyfde subvraag met 'n presisiteitstelling van 0,464.

Abstract

በSemEval-2018 በተካፈሉት ስራ 1 ላይ በብዙ ስራ ትምህርት እናደርጋለን፡፡ በሞዴል ሥርዓት ላይ የሚደረገው የውጭው ዳታዎችን እንደሚቻል እና የስራውን ግንኙነት ለመጠበቅ እና ውጤታውን ለማጎድል ነው፡፡ በጥንታዊ ስራ መካከል ግንኙነትን ለመፍጠር በብዙ ስራ ትምህርት እናስገራለን፡፡ እንደ መሠረት ምሳሌ፣ ለክፍል እና ለመደገፍ ደብዳቤ ደብዳቤ መረብ እናስጠጋለን፡፡ የፊርሶን መስኮት 0.557 ተካሄደ ከ48 ተካባሪዎቻችን 32ኛ ይደረጋል፥ ከአምስተኛውም በትዊተር ውስጥ 20ኛው የ0.464 ትክክለኛ ደረጃ ይኖራል።

Abstract

نتبع نهجًا تعليميًا متعدد المهام للمهمة المشتركة 1 في SemEval-2018. الفكرة العامة المتعلقة بهيكل النموذج هي استخدام أقل قدر ممكن من البيانات الخارجية من أجل الحفاظ على ارتباط المهمة وتقليل التعقيد. نحن نستخدم التعلم متعدد المهام مع مشاركة المعلمات الصعبة لاستغلال الارتباط بين المهام الفرعية. كنموذج أساسي ، نستخدم شبكة عصبية متكررة قياسية لكل من المهام الفرعية للتصنيف والانحدار. يصنف نظامنا المرتبة 32 من أصل 48 مشاركًا بدرجة بيرسون 0.557 في المهمة الفرعية الأولى ، و 20 من 35 في المهمة الفرعية الخامسة بدرجة دقة تبلغ 0.464.

Abstract

Biz bir çox işin öyrənməsi tərzini SemEval-2018-də paylaşılan 1-ci işə götürürük. Model quruluğu haqqında genel fikir mümkün olduğu qədər küçük dış verilər istifadə etmək və işləri bağlı tutmaq və kompleksitəni azaltmaq üçün istifadə etməkdir. Biz çoxlu işin öyrənməsini zor parametrlə istifadə edirik ki, alt işlərin bağlılığını istifadə etmək üçün. Bütün modellər olaraq, ikisi də klasifikasiya və regresiya aparılması üçün standart yenidən bir nöral a ğı kullanırıq. Sistemimiz Pirson'un 0,557 dəqiqəsi ilə 48 dəqiqəsindən 32 dəqiqəsi və 5 dəqiqəsində 35 dəqiqəsindən 20 dəqiq dəqiqəsi 0,464 dəqiqəsi ilə.

Abstract

Приемаме подход за многозадачи към споделената задача 1 на СемЕвал-2018. Общата идея относно структурата на модела е да се използват възможно най-малко външни данни, за да се запази свързаността на задачата и да се намали сложността. Използваме многозадачно обучение с твърдо споделяне на параметри, за да използваме връзката между подзадачите. Като основен модел използваме стандартна рецидивираща невронна мрежа както за подзадачите за класификация, така и за регресия. Системата ни се нарежда на 32-ро място от 48 участници с оценка на Пиърсън от 0,557 в първата подзадача и на 20-о място от 35 в петата подзадача с оценка на точност от 0,464.

Abstract

আমরা সেমইভাল-২০১৮-এ শেয়ার কর্মসূচির কাজের প্রতি অনেক কাজ শিক্ষার পদক্ষেপ নিয়েছি। মডেল কাঠামোর ব্যাপারে সাধারণ চিন্তা হচ্ছে বাইরের তথ্য যতটা সম্ভব তা ব্যবহার করা যাতে কাজের সংযোগ সংরক্ষণ করা এবং কঠিন পরিম আমরা মাল্টিক কাজ শিক্ষা করি সাব-কাজের মধ্যে সম্পর্ক ব্যবহার করার জন্য কঠিন পরামিতি শেয়ার করার জন্য। বেস মডেল হিসেবে আমরা একটি স্বাভাবিক নিউরেল নেটওয়ার্ক ব্যবহার করি শ্রেণীকরণ এবং পুনরাবৃত্তিক সাবটাসের জন্য। ৪৮ জন অংশগ্রহণকারীদের মধ্যে আমাদের সিস্টেম প্রথম সাবটাবাজে পেয়ার্সন স্কোরের মধ্যে ৩২ তারিখ এবং পাঁচমাত্র সাবটাজে ৩৫ থেকে ২০ সালে

Abstract

ང་ཚོས་SemEval-2018 ལ་མཉམ་དུ་ལས་འགུལ་གྱིས་སྦྲེལ་བའི་བྱ་འགུལ་གྱི་ཐབས་ལམ་སྣ་མང་པོ་ཞིག་ལ་བཞག་ཡོད། The general idea concerning the model structure is to use as little external data as possible in order to preserve the task relatedness and reduce complexity. We employ multi-task learning with hard parameter sharing to exploit the relationship between sub-tasks. རྨང་གཞི་མ་དབྱིབས་ལ་ངེས་ཚོགས་གཉིས་ཀྱིས་དབྱེ་སྟངས་དང་regression ར་སྡུད་ཀྱི་རྩིས་འབྲེལ་ལ་ཐོག་གྲངས ང་ཚོའི་མ་ལག་གི་རྒྱལ་སྤྱི་ཚོགས་ཀྱི་དབྱེ་ཞིབ་འདི་༤༨་ལས་མཐུན་རྐྱེན་པའི་ཚད་ལྡན་༠.557ཡིན།

Abstract

Prihvaćamo pristup multizadatka učenju zajedničkom zadatku 1 na semiEvalu-2018. Generalna ideja o modelskoj strukturi je upotrebu što je moguće manje vanjskih podataka kako bi sačuvala povezanost zadataka i smanjila kompleksnost. Mi zapošljavamo učenje multizadataka sa teškom dijelom parametara kako bi iskoristili odnos između podzadataka. Kao bazni model, koristimo standardnu rekonstruntnu neuralnu mrežu za podsticaje klasifikacije i regresije. Naš sistem rankira 32nd od 48 učesnika sa rezultatom Pearson a od 0,557 u prvom podpitanju, a 20 od 35 u petom podpitanju sa tačnim rezultatom od 0,464.

Abstract

Prenem un enfocament d'aprenentatge multitascat a la tasca compartida 1 a SemEval-2018. La idea general relativa a l'estructura del model és utilitzar tan poca data externa com sigui possible per preservar la relació entre les tasques i reduir la complexitat. Empreguem aprenentatge multitascat amb compartir paràmetres difícils per explotar la relació entre subtasques. Com a model de base, fem servir una xarxa neural recurrent estàndard tant per a les subtaskes de classificació com de regressió. El nostre sistema es classifica en 32 de cada 48 participants amb una puntuació de Pearson de 0,557 en la primera subpregunta, i en 20 de cada 35 en la quinta subpregunta amb una puntuació de precisió de 0,464.

Abstract

Přijímáme víceúkolový učební přístup ke sdílenému úkolu 1 na SemEval-2018. Obecnou myšlenkou týkající se struktury modelu je využít co nejméně externích dat, aby se zachovala souvislost úkolů a snížila složitost. Využíváme víceúkolové učení s tvrdým sdílením parametrů k využití souvislosti mezi dílčími úkoly. Jako základní model používáme standardní rekurentní neuronovou síť jak pro klasifikaci, tak pro regresní dílčí úkoly. Náš systém řadí 32náctý z 48 účastníků s Pearsonovým skórem 0,557 v prvním dílčím úkolu a dvacátý z 35 v pátém dílčím úkolu s přesnostním skórem 0,464.

Abstract

Vi tager en multi-task learning tilgang til den fælles opgave 1 på SemEval-2018. Den generelle idé vedrørende modelstrukturen er at anvende så lidt eksterne data som muligt for at bevare opgaveforholdet og reducere kompleksiteten. Vi anvender multi-task learning med hård parameterdeling for at udnytte relationen mellem underopgaver. Som grundmodel bruger vi et standard tilbagevendende neuralt netværk til både klassificering og regression underopgaver. Vores system rangerer 32. ud af 48 deltagere med en Pearson score på 0,557 i den første underopgave og 20. ud af 35 i den femte underopgave med en nøjagtighed score på 0,464.

Abstract

Wir verfolgen einen Multi-Task-Lernansatz für die gemeinsame Aufgabe 1 bei SemEval-2018. Die Grundidee der Modellstruktur besteht darin, möglichst wenig externe Daten zu verwenden, um die Aufgabenbeziehung zu erhalten und Komplexität zu reduzieren. Wir setzen Multi-Task-Learning mit hartem Parametersharing ein, um die Verwandtschaft zwischen Teilaufgaben auszunutzen. Als Basismodell verwenden wir sowohl für die Klassifikations- als auch für Regressions-Teilaufgaben ein standardmäßiges rezidivierendes neuronales Netzwerk. Unser System rangiert 32nd von 48 Teilnehmern mit einem Pearson Score von 0.557 in der ersten Teilaufgabe und 20th von 35 in der fünften Teilaufgabe mit einer Genauigkeit von 0.464.

Abstract

Ακολουθούμε μια προσέγγιση εκμάθησης πολλαπλών εργασιών στην κοινή εργασία 1 στο SemEval-2018. Η γενική ιδέα σχετικά με τη δομή του μοντέλου είναι η χρήση όσο το δυνατόν λιγότερων εξωτερικών δεδομένων προκειμένου να διατηρηθεί η συσχέτιση των εργασιών και να μειωθεί η πολυπλοκότητα. Χρησιμοποιούμε εκμάθηση πολλαπλών εργασιών με σκληρή κοινή χρήση παραμέτρων για να εκμεταλλευτούμε τη σχέση μεταξύ των επιμέρους εργασιών. Ως βασικό μοντέλο, χρησιμοποιούμε ένα τυπικό επαναλαμβανόμενο νευρωνικό δίκτυο τόσο για την ταξινόμηση όσο και για την υποτροπή. Το σύστημά μας κατατάσσεται 32ος από τους 48 συμμετέχοντες με βαθμολογία Pearson 0.557 στην πρώτη υποταγή και 20ός από 35 στην πέμπτη υποταγή με βαθμολογία ακρίβειας 0.464.

Abstract

Adoptamos un enfoque de aprendizaje multitarea para la Tarea 1 compartida en SemEval-2018. La idea general con respecto a la estructura del modelo es utilizar la menor cantidad posible de datos externos para preservar la relación entre tareas y reducir la complejidad. Empleamos el aprendizaje multitarea con un duro intercambio de parámetros para aprovechar la relación entre las subtareas. Como modelo base, utilizamos una red neuronal recurrente estándar para las subtareas de clasificación y regresión. Nuestro sistema ocupa el puesto 32 de 48 participantes con una puntuación de Pearson de 0.557 en la primera subtarea y el 20 de 35 en la quinta subtarea con una puntuación de precisión de 0.464.

Abstract

Võtame SemEval-2018 jagatud ülesandele 1 mitme ülesandega õppimise lähenemisviisi. Mudelistruktuuri üldine idee on kasutada võimalikult vähe välisandmeid, et säilitada ülesande seos ja vähendada keerukust. Me kasutame mitme ülesandega õppimist koos raske parameetrite jagamisega, et ära kasutada allülesannete vahelist seost. Baasmudelina kasutame standardset korduvat närvivõrku nii klassifikatsiooni kui ka regressiooni alamülesannete jaoks. Meie süsteem on 48 osalejast 32. kohal Pearsoni skooriga 0,557 esimeses alamülesandes ja 20. kohal 35-st viiendas alamülesandes täpsuskooriga 0,464.

Abstract

ما روش یادگیری بسیار زیادی از کارها را به کار مشترک ۱ در نیم اول-۲۰۱۸ می گیریم. ایده عمومی درباره ساختار مدل این است که به اندازه کمی از داده های خارجی که ممکن است استفاده کنید تا نگه داشتن مربوط به کار و کاهش پیچیدگی است. ما از یادگیری بسیاری از کارها استفاده می کنیم با مشترک پارامتر سخت برای استفاده از ارتباط بین کارهای زیر کار. به عنوان یک مدل پایین، ما از شبکه عصبی استاندارد دوباره استفاده می کنیم برای هر دو قسمت‌بندی و پایین‌بندی استفاده می‌کنیم. سیستم ما 32م از 48 شرکت کننده با امتیاز پرسون 0.557 در اولین زیستپرس و بیست از 35 در پنجم زیستپرس با امتیاز دقیق 0.464 است.

Abstract

SemEval-2018:n yhteiseen tehtävään 1 sovelletaan monitehtäväoppimista. Mallirakenteen yleisenä ajatuksena on käyttää mahdollisimman vähän ulkoista tietoa tehtävän sidossuhteen säilyttämiseksi ja monimutkaisuuden vähentämiseksi. Käytämme monitehtäväoppimista ja kovaa parametrinjakoa hyödyntääksemme alitehtävien välistä suhdetta. Perusmallina käytämme vakiomuotoista toistuvaa hermoverkkoa sekä luokitus- että regressioalitehtäviin. Järjestelmämme sijoittuu 32. sijalle 48 osallistujasta Pearson-pisteellä 0,557 ensimmäisessä alatehtävässä ja 20. sijalle 35 viidennessä alatehtävässä tarkkuudella 0,464.

Abstract

Nous adoptons une approche d'apprentissage multitâche pour la tâche 1 partagée à SemeVal-2018. L'idée générale concernant la structure du modèle est d'utiliser le moins de données externes possible afin de préserver la relation entre les tâches et de réduire la complexité. Nous utilisons l'apprentissage multitâche avec un partage de paramètres précis pour exploiter la relation entre les sous-tâches. Comme modèle de base, nous utilisons un réseau neuronal récurrent standard pour les sous-tâches de classification et de régression. Notre système se classe 32e sur 48 participants avec un score Pearson de 0,557 pour la première sous-tâche, et 20e sur 35 pour la cinquième sous-tâche avec un score de précision de 0,464.

Abstract

Glacaimid cur chuige foghlama ilthasc i leith Tasc 1 comhroinnte ag SemEval-2018. Is é an smaoineamh ginearálta a bhaineann le struchtúr na samhla ná úsáid a bhaint as a laghad sonraí seachtracha agus is féidir chun an tascghaolmhar a chaomhnú agus chun castacht a laghdú. Bainimid úsáid as foghlaim ilthasc le comhroinnt paraiméadar crua chun an gaol idir fo-thascanna a shaothrú. Mar mhúnla bonn, úsáidimid líonra néarach athfhillteach caighdeánach le haghaidh na bhfothascanna aicmithe agus aischéimnithí araon. Tá ár gcóras sa 32ú háit as 48 rannpháirtí le scór Pearson de 0.557 sa chéad fhothasc, agus 20ú as 35 sa chúigiú fothasc le scór cruinnis de 0.464.

Abstract

Tuna sami aikin mu masu ƙaranci zuwa ga rabin aikin 1 a SemEl-2018. Maɓallin idãna wanda ke samun ayuka shine ya yi amfani da data masu ƙaranci don a iya amfani da shi don a iya yiwuwa dõmin a tsare masu hushi ga aikin kuma ya ƙara masu hushi. Tuna aiki masu ƙaranci da shirin parameteri mai tsanani dõmin ka yi amfani da abin da ke tsakanin task õki. Kama wani misali, za'a yi amfani da jerin neural wanda aka daura wa zaman shawarar da aka yi amfani da shi. Tsarinmu na kamfata 32nd daga 48 mãsu haɗi da ma'aunin Pearson na 0.557 na farkon aikin na farko, da 20 daga 35 a cikin fassaran 5 na da wani nau'in taƙaita na 0.464.

Abstract

אנחנו לוקחים גישה למידה רבה משימות למשימה המשותפת 1 בסמיוול-2018. הרעיון הכללי בנוגע למבנה המודל הוא להשתמש במידע חיצוני קטן ככל האפשר כדי לשמור על קשר המשימה ולפחות מורכבות. אנחנו משתמשים ללמוד במשימות רבות עם חלקת פרמטרים קשה כדי לנצל את הקשר בין משימות תת. כדוגמנית בסיסית, אנו משתמשים ברשת עצבית מתחזרה סטנדרטית עבור שתי השאלות של ההקלטה והגירוס. המערכת שלנו מצוות 32 מתוך 48 משתתפים עם נקודת פירסון של 0.557 בתא השאלה הראשונה, ו-20 מתוך 35 בתא השאלה החמישית עם נקודת מדויקה של 0.464.

Abstract

हम SemEval-2018 में साझा कार्य 1 के लिए एक बहु-कार्य सीखने का दृष्टिकोण लेते हैं। मॉडल संरचना से संबंधित सामान्य विचार कार्य संबंधितता को संरक्षित करने और जटिलता को कम करने के लिए यथासंभव कम बाहरी डेटा का उपयोग करना है। हम उप-कार्यों के बीच संबंधितता का फायदा उठाने के लिए हार्ड पैरामीटर साझाकरण के साथ बहु-कार्य सीखने को नियोजित करते हैं। एक आधार मॉडल के रूप में, हम वर्गीकरण और प्रतिगमन उपकार्य दोनों के लिए एक मानक आवर्तक तंत्रिका नेटवर्क का उपयोग करते हैं। हमारा सिस्टम पहले सबटास्क में 0.557 के पियर्सन स्कोर के साथ 48 प्रतिभागियों में से 32 वें स्थान पर है, और 0.464 के सटीकता स्कोर के साथ पांचवें सबटास्क में 35 में से 20 वें स्थान पर है।

Abstract

Uzimamo višezadatačni pristup učenju zajedničkom zadatku 1 na semiEvalu-2018. Općenita ideja o strukturi modela je upotrebu što je moguće manje vanjskih podataka kako bi očuvala povezanost zadataka i smanjila kompleksnost. Mi zapošljavamo učenje višezadataka sa teškim parametrima dijeljenja kako bi iskoristili odnos između podzadataka. Kao bazni model, koristimo standardnu rekonstruiranu neuralnu mrežu za podsticaje klasifikacije i regresije. Naš sustav čini 32nd od 48 učesnika s Pearsonovom rezultatom od 0,557 u prvom podpitanju, a 20 od 35 u petom podpitanju s preciznim rezultatom od 0,464.

Abstract

A SemEval-2018 során többfeladatos tanulási megközelítést alkalmazunk a megosztott 1. feladathoz. A modell struktúrájával kapcsolatos általános elképzelés a lehető legkevesebb külső adat felhasználása a feladatok összefüggésének megőrzése és a bonyolultság csökkentése érdekében. Többfeladatos tanulást alkalmazunk kemény paraméterek megosztásával, hogy kihasználjuk az alcsoportok közötti kapcsolatot. Alapmodellként egy standard visszatérő neurális hálózatot használunk mind az osztályozási, mind a regressziós részfeladatokhoz. Rendszerünk 48 résztvevő közül 32. helyen áll, az első részfeladatban 0,557 Pearson pontszámmal, az ötödik részfeladatban pedig 35 pontszámmal 20. helyen, 0,464 pontszámmal.

Abstract

We take a multi-task learning approach to the shared Task 1 at SemEval-2018. Մոդելի կառուցվածքի ընդհանուր գաղափարն այն է, որ հնարավորինս քիչ արտաքին տվյալներ օգտագործենք, որպեսզի պահպանենք առաջադրանքի կապը և նվազեցնենք բարդությունը: We employ multi-task learning with hard parameter sharing to exploit the relatedness between sub-tasks. Որպես հիմնական մոդել, մենք օգտագործում ենք ստանդարտ կրկնվող նյարդային ցանց դասակարգման և ռեգրեսիայի ենթախնդիրների համար: Մեր համակարգը 48 մասնակիցներից 32-րդ դասակարգում է, որն առաջին ենթահարցում 0.557 է, իսկ հինգերորդ ենթահարցում 35-րդ՝ 0.464 ճշգրիտ:

Abstract

Kami mengambil pendekatan pembelajaran multi-tugas untuk Tugas 1 bersama di SemEval-2018. Ide umum yang berkaitan dengan struktur model adalah untuk menggunakan data luar yang paling sedikit yang mungkin untuk menjaga hubungan tugas dan mengurangi kompleksitas. Kami menggunakan belajar multi-tugas dengan berbagi parameter sulit untuk mengeksploitasi hubungan antara sub-tugas. Sebagai model dasar, kita menggunakan jaringan saraf rekuren standar untuk kedua subtasks klasifikasi dan regresi. Sistem kami rank ke-32 dari 48 peserta dengan skor Pearson 0,557 dalam subtask pertama, dan ke-20 dari 35 dalam subtask kelima dengan skor akurasi 0,464.

Abstract

Adottiamo un approccio di apprendimento multi-task al Task 1 condiviso a SemEval-2018. L'idea generale relativa alla struttura del modello è quella di utilizzare il minor numero possibile di dati esterni al fine di preservare la relazione dei compiti e ridurre la complessità. Impieghiamo l'apprendimento multi-task con hard parameter sharing per sfruttare la relazione tra i sub-task. Come modello base, utilizziamo una rete neurale ricorrente standard sia per le sottoattività di classificazione che di regressione. Il nostro sistema si classifica 32esimo su 48 partecipanti con un punteggio Pearson di 0,557 nella prima sottomissione, e 20esimo su 35 nella quinta sottomissione con un punteggio di precisione di 0,464.

Abstract

SemEval -2018の共有タスク1には、マルチタスク学習アプローチを採用しています。モデル構造に関する一般的な考え方は、タスク関連性を維持し、複雑さを軽減するために、外部データをできるだけ少なく使用することである。サブタスク間の関連性を活用するために、ハードパラメータ共有によるマルチタスク学習を採用しています。ベースモデルとして、分類サブタスクと回帰サブタスクの両方に標準的な再帰ニューラルネットワークを使用します。当社のシステムは、最初のサブタスクでPearsonスコア0.557、5番目のサブタスクで精度スコア0.464で、参加者48人中32位にランクインしています。

Abstract

Awak dhéwé ngewehi sistem multi-task kanggo ngilanggar nggawe task 1 nang semebal-2013. Algorithm Awakdhéwé nggunakake multi-task ömripan lan gampang gerapakan karo pod-task gak nggawe barang nggawe Sampeyan model, kita ngawe gunaké awak dhéwé, nggo Kemerdekaan tanggal nggo Kemerdekaan karo Resolusi Sistem awak dhéwé rangsak 32 saiki ono 48patik sing perusahaan karo 0.587 dadi sing perusahaan, lan warni-warni tanggal 3 saiki sing katêpakan karo perusahaan sing katêpakan karo 0.484.

Abstract

ჩვენ ვიყენებთ მრავალ დავასწავლების მიღება საერთო დავალების 1-ში SemEval-2018-ში. მოდელური სტრუქტურაზე საერთო იდეა იყო, რომ გამოყენება ძალიან პატარა გარეშე მონაცემები, რომლებიც შესაძლებელია, რამდენიმე მონაცემების შესახებ და შე ჩვენ მრავალ დავასწავლობთ მრავალ დავასწავლობით ძალიან პარამეტრის გაყოფილი, რომ გამოვიყენოთ საკუთარი დავასწავლობით. როგორც ბაზი მოდელი, ჩვენ გამოყენებთ სტანდარტური რეკურენტური ნეიროლური ქსელი კლასიფიკაციის და რეგრესის საშუალებისთვის. ჩვენი სისტემა 48 მოთავსწავლებელი პერსონის 0,557 წერტილი პირველი სკითხვაში და 35 წერტილი პირველი სკითხვაში 20 წერტილი პირველი სკითხვაში 0,464 წერტილი.

Abstract

Біз бірнеше тапсырманы бірнеше оқыту тәртібін бірінші тапсырманың бірінші тапсырмасына біріктіреміз. Үлгі құрылымы туралы жалпы идея - тапсырманың қатынасын сақтау және әлемділігін азайту үшін сыртқы деректерді қолдану. Біз көптеген тапсырмаларды бақылау параметрлерін ортақтастыру үшін бірнеше тапсырмаларды үйренуді қолданамыз. Негізгі үлгі ретінде, біз классификациясы мен регрессиясы қайталанатын невралдық желі үшін стандартты қайталанатын невралдық желі қолданамыз. Біздің жүйеміз Персондың алғашқы суретінде 0,557 деген 48 қатысушылардың 32-інде және бесінші суретінде 20-інде 0,464 деген дұрыс саны бар.

Abstract

우리는 SemEval-2018에서 공유 퀘스트 1에 대해 다중 퀘스트 학습 방법을 채택했다.모델 구조에 대한 일반적인 생각은 가능한 한 적은 외부 데이터를 사용하여 임무의 관련성을 유지하고 복잡성을 낮추는 것이다.우리는 하드 파라미터가 공유된 다중 임무 학습을 이용하여 하위 임무 간의 관련성을 이용한다.기초 모델로서 우리는 분류와 회귀 서브 임무에 대해 표준적인 귀속 신경 네트워크를 사용한다.우리 시스템은 참가자 48명 중 32위, 첫 번째 미션 피어슨은 0.557점, 다섯 번째 미션 35점 중 20위, 정확도는 0.464점을 기록했다.

Abstract

Įgyvendinant bendrą 1 užduotį, vadovaujamės daugiafunkciniu mokymosi metodu SemEval-2018 m. Bendra mintis, susijusi su modelio struktūra, yra kuo mažiau išorinių duomenų panaudoti siekiant išsaugoti užduoties ryšį ir sumažinti sudėtingumą. Siekdami išnaudoti subužduočių ryšį, naudojame mokymąsi įvairiomis užduotimis su sunkiu parametrų pasidalijimu. Kaip bazinis modelis naudojame standartinį pakartotinį nervinį tinklą klasifikavimo ir regresijos paklausoms. Mūsų sistema yra 32-oji iš 48 dalyvių su Pearson balais 0,557 pirmame paklausime ir 20-oji iš 35 penktame paklausime su tikslumu 0,464.

Abstract

Ние го прифаќаме пристапот на мултизадачно учење кон заедничката задача 1 во SemEval-2018. The general idea concerning the model structure is to use as little external data as possible in order to preserve the task relatedness and reduce complexity. Ние користиме мултизадачно учење со тешко делење параметри за да ја искористиме врската помеѓу подзадачите. Како базичен модел, користиме стандардна рецидентна нервна мрежа за класификација и регресија. Нашиот систем се рангира на 32-тото место од 48 учесници со Пирсон оценка од 0,557 во првата подпрашање, а на 20-тото место од 35 во петтата подпрашање со точност од 0,464.

Abstract

സെമ്എവാല്‍-2018-ല്‍ പങ്കെടുത്ത പണിയുടെ കാര്യത്തിലേക്ക് ഞങ്ങള്‍ പല്ലാ പണിയും പഠിക്കുന്ന ഒരു വഴിയാണ് പുറത്തുള്ള ഡേറ്റായ്ക്ക് ഉപയോഗിക്കാന്‍ സാധ്യമായിരിക്കുന്നു. ജോലിയുടെ ബന്ധം സൂക്ഷിക്കുകയും സംശയം കുറവാക്കുകയും ച സബ് ജോലികള്‍ക്കിടയിലുള്ള ബന്ധങ്ങള്‍ പരിശീലിക്കാന്‍ കഠിനമായ അളവുകള്‍ പങ്കുചേര്‍ക്കുന്നതിനാല്‍ ഞങ്ങള്‍ പല ജോലിയ അടിസ്ഥാനത്തെ മോഡലായിക്കൊണ്ട്, നമ്മള്‍ ഒരു സാധാരണ പ്രാവര്‍ത്തികമായ നെയൂറല്‍ നെറുല്‍ നെറുല്‍ നെറ്റര്‍ ശൃംഖലം ഉപയോഗ ഞങ്ങളുടെ സിസ്റ്റത്തില്‍ 48 പങ്കാളികളില്‍ നിന്ന് 32வதായി നില്‍ക്കുന്നു. ഒന്നാമത്തെ സബ്ജിസില്‍ 0. 557 സ്കോര്‍ ഉണ്ടായിരുന്നു. അഞ്ചാമത്തെ സബ്ജ

Abstract

Бид SemEval-2018 оны 1-р ажил дээр олон ажлын суралцах арга зам ашиглаж байна. Загварын бүтцийн тухай ерөнхий санаа нь ажлын холбоотой байдлыг хадгалж, цогцыг багасгах боломжтой бага гадаад мэдээллийг ашиглах юм. Бид олон ажлын сургалтыг суралцах хэцүү параметр хуваалцахад сургалтын хоорондын холбоотой байдлыг ашигладаг. Үндсэн загварын хувьд бид стандарт дахин дахин дахин сэтгэл зүйн сүлжээг хуваалцах болон регрессийн дотор хоёуланг ашигладаг. Бидний систем Персоны 48 оролцогчдын 32-нд анхны суудалд 0.557 оноо авч байна. 5-р суудалд 35-аас 20 нь 0.464 тоо зөв тоо авч байна.

Abstract

Kami mengambil pendekatan pembelajaran berbilang-tugas untuk tugas terkongsi 1 di SemEval-2018. Idea umum yang berkaitan dengan struktur model adalah untuk menggunakan data luaran sebanyak mungkin untuk menjaga hubungan tugas dan mengurangkan kompleksiti. We employ multi-task learning with hard parameter sharing to exploit the relatedness between sub-tasks. Sebagai model asas, kita gunakan rangkaian saraf yang berulang piawai untuk kedua-dua subtaskan klasifikasi dan regresi. Sistem kita berturut-turut ke-32 daripada 48 peserta dengan skor Pearson 0.557 dalam pertanyaan pertama, dan ke-20 daripada 35 dalam pertanyaan kelima dengan skor akurat 0.464.

Abstract

Aħna nieħdu approċċ ta' tagħlim b'diversi kompiti għall-Kompitu 1 kondiviż f'SemEval-2018. L-idea ġenerali dwar l-istruttura tal-mudell hija li tintuża kemm jista’ jkun ftit dejta esterna sabiex tinżamm ir-rabta mal-kompitu u titnaqqas il-kumplessità. We employ multi-task learning with hard parameter sharing to exploit the relatedness between sub-tasks. Bħala mudell bażiku, a ħna nużaw netwerk newrali rikorrenti standard kemm għall-klassifikazzjoni kif ukoll għas-sottotalbiet ta’ rigressjoni. Is-sistema tagħna tikklassifika t-32 minn 48 parteċipant b’punteġġ Pearson ta’ 0.557 fl-ewwel sottodomanda, u l-20 minn 35 fil-ħames sottodomanda b’punteġġ ta’ preċiżjoni ta’ 0.464.

Abstract

We hanteren een multi-task leeraanpak voor de gedeelde taak 1 bij SemEval-2018. Het algemene idee van de modelstructuur is om zo min mogelijk externe gegevens te gebruiken om de taakgerelateerdheid te behouden en complexiteit te verminderen. We gebruiken multi-task learning met hard parameter sharing om de relatie tussen subtaken te benutten. Als basismodel gebruiken we een standaard terugkerend neuraal netwerk voor zowel de classificatie als de regressie subtaken. Ons systeem rangschikt 32e van 48 deelnemers met een Pearson score van 0.557 in de eerste subtaak, en 20ste van 35 in de vijfde subtaak met een nauwkeurigheidsscore van 0.464.

Abstract

Vi tar ein fleire oppgåver-læringstilnærming til den delte oppgåva 1 på semiEval-2018. Den generelle ideen om modelstrukturen er å bruka så lite eksterne data som er mogleg for å beholda oppgåveliste og redusera kompleksitet. Vi brukar fleire oppgåver med vanskeleg deling av parametrar for å bruka relateten mellom underoppgåver. Som ein grunnmodell bruker vi ein standard gjentakelig neuralnettverk for både underspørjingane for klassifikasjon og regresjon. Sistemet vårt rankerer 32nd av 48 deltakarar med ein Pearson score med 0,557 i den første underspørjinga, og 20 av 35 i den femte underspørjinga med eit nøyaktig score med 0,464.

Abstract

Stosujemy wielozadaniowe podejście do uczenia się wspólnego zadania 1 w SemEval-2018. Ogólną ideą dotyczącą struktury modelu jest wykorzystanie jak najmniej danych zewnętrznych w celu zachowania związku z zadaniami i zmniejszenia złożoności. Wykorzystujemy wielozadaniowe uczenie się z twardym współdzieleniem parametrów, aby wykorzystać związek między podzadaniami. Jako model bazowy stosujemy standardową powtarzającą się sieć neuronową zarówno do klasyfikacji, jak i regresji podzadań. Nasz system umieszcza 32-go z 48-tych uczestników z wynikiem Pearsona 0,557 w pierwszym podzadaniu, a 20-tego z 35 w piątym podzadaniu z wynikiem dokładności 0,464.

Abstract

Adotamos uma abordagem de aprendizado multitarefa para a Tarefa 1 compartilhada no SemEval-2018. A ideia geral sobre a estrutura do modelo é usar o mínimo de dados externos possível para preservar o relacionamento das tarefas e reduzir a complexidade. Empregamos aprendizado multitarefa com compartilhamento de parâmetros rígidos para explorar o relacionamento entre subtarefas. Como modelo base, usamos uma rede neural recorrente padrão para as subtarefas de classificação e regressão. Nosso sistema ocupa o 32º lugar de 48 participantes com uma pontuação de Pearson de 0,557 na primeira subtarefa e 20º de 35 na quinta subtarefa com uma pontuação de precisão de 0,464.

Abstract

Luăm o abordare de învățare multi-sarcină pentru sarcina partajată 1 la SemEval-2018. Ideea generală privind structura modelului este de a utiliza cât mai puține date externe posibil pentru a păstra relația sarcinilor și a reduce complexitatea. Utilizăm învățarea multi-sarcină cu partajarea parametrilor dificilă pentru a exploata relația dintre subsarcini. Ca model de bază, folosim o rețea neurală recurentă standard atât pentru subactivitățile de clasificare, cât și pentru regresie. Sistemul nostru se clasează pe locul 32 din 48 de participanți cu un scor Pearson de 0,557 în primul subactiv și pe locul 20 din 35 în al cincilea subactiv cu un scor de precizie de 0,464.

Abstract

Мы используем многозадачный подход к обучению для общей задачи 1 на SemEval-2018. Общая идея, касающаяся структуры модели, заключается в том, чтобы использовать как можно меньше внешних данных для сохранения взаимосвязи задач и снижения сложности. Мы используем многозадачное обучение с распределением жестких параметров, чтобы использовать взаимосвязь между подзадачами. В качестве базовой модели мы используем стандартную рекуррентную нейронную сеть как для подзадач классификации, так и для подзадач регрессии. Наша система занимает 32-е место из 48 участников с оценкой Пирсона 0,557 в первой подзадаче и 20-е место из 35 в пятой подзадаче с оценкой точности 0,464.

Abstract

අපි ගොඩක් වැඩක් වැඩක් ඉගෙන ගන්න පුළුවන් විදිහට සෙම්වෙල්-2018 වල සාමාන්‍ය වැඩක් 1 වලට. සාමාන්‍ය අදහසය මොඩල් සංවිධානය ගැන පුළුවන් පුළුවන් පුළුවන් පුළුවන් පුළුවන් පුළුවන් පුළුවන අපි ගොඩක් වැඩක් වැඩක් ඉගෙනගන්න අමාරු පැරැමිටර් එක්ක සම්බන්ධ වැඩක් කරන්න ප්‍රයෝජනය කරන්න. මූලික මොඩේල් වලින්, අපි ප්‍රමාණයක් ප්‍රතික්‍රියාත්මක න්‍යුරෝල ජාලය භාවිත කරන්නේ විශේෂණය සහ ප්‍ර අපේ පද්ධතිය පියර්සන් ස්කෝට් එක්ක 0,557 ක් තියෙන්නේ 32වෙනි ස්ථානයක් තියෙන්නේ, පස්සම් ස්කෝට් එක්ක හරියට 0,464 ක් තියෙන්නේ.

Abstract

Pri skupni nalogi 1 na SemEval-2018 uporabljamo večopravilni učni pristop. Splošna ideja glede strukture modela je uporaba čim manj zunanjih podatkov, da se ohrani povezanost nalog in zmanjša kompleksnost. Za izkoriščanje povezanosti med podnalogami uporabljamo večopravilno učenje s trdo delitvijo parametrov. Kot osnovni model uporabljamo standardno ponavljajočo se nevronsko omrežje za klasifikacijo in regresijo podnalog. Naš sistem se uvršča na 32. od 48 udeležencev s Pearsonovo oceno 0,557 v prvi podnalogi in 20. od 35 v peti podnalogi z oceno natančnosti 0,464.

Abstract

Waxaynu u qabannaa qaabilaad waxbarasho badan oo u dhexeeya shaqada 1 ee SemEval-2018. Fikirada caadiga ah oo ku saabsan tusaale ahaan waa in lagu isticmaalo macluumaad dibadda ah sida ugu suurtowda in lagu ilaaliyo xiriirka shaqada iyo in la gaabiyo complex. Waxaynu shaqaynaynaa waxbarasho badan oo aad u qaybsanaysaa parameter adag si aan ugu baaraano xiriirka u dhexeeya shaqada hoose. Tusaale asal ah, waxaynu isticmaalnaa shabakadda neurada ee caadiga ah oo ku soo degaysa, taasoo ah fasaxa iyo dib u celinta. Isticmaddeena waxaa ka mid ah 32aad oo ka mid ah 48-ka qayb-qeyb-qaadayaasha Pearson koox 0.557 oo koox koox u dhexaysa, safka shanaadna waxaa ka mid ah 20aad oo ku qoran koox sax ah 0.464.

Abstract

Ne marrim një qasje mësimi me shumë detyra për detyrën e përbashkët 1 në SemEval-2018. The general idea concerning the model structure is to use as little external data as possible in order to preserve the task relatedness and reduce complexity. Ne përdorim mësim shumë-detyrash me ndarje të vështirë parametrash për të shfrytëzuar lidhjen midis nëndetyrave. Si një model bazë, ne përdorim një rrjet nervor të përsëritur standart si për klasifikimin ashtu edhe për nëndetyrat e regresionit. Sistemi ynë renditet i 32-i nga 48 pjesëmarrës me një pikë Pearson prej 0.557 në nënpyetjen e parë dhe i 20-i nga 35 në nënpyetjen e pestë me një pikë saktësie prej 0.464.

Abstract

Prihvaćamo pristup multizadatka za učenje zajedničkog zadatka 1 na semiEvalu-2018. Generalna ideja o modelskoj strukturi je upotrebu najmanjih vanjskih podataka kako bi sačuvala povezanost zadataka i smanjila kompleksnost. Mi zapošljavamo učenje više zadataka sa teškim parametrima koji delimo kako bi iskoristili odnos između podzadataka. Kao bazni model, koristimo standardnu rekonstruntnu neuralnu mrežu za klasifikaciju i regresiju. Naš sistem je 32nd od 48 sudionika sa rezultatom Pearson a od 0,557 u prvom podpitanju, a 20 od 35 u petom podpitanju sa tačnim rezultatom od 0,464.

Abstract

Vi tar ett flerfunktionslärande förhållningssätt till den delade uppgiften 1 på SemEval-2018. Den allmänna idén kring modellstrukturen är att använda så lite externa data som möjligt för att bevara uppgiftsrelationen och minska komplexiteten. Vi använder multi-task learning med hård parameterdelning för att utnyttja relationen mellan underuppgifter. Som grundmodell använder vi ett vanligt återkommande neuralt nätverk för både klassificering och regression. Vårt system rankar 32:a av 48 deltagare med en Pearson-poäng på 0,557 i den första deluppgiften och 20:e av 35 i den femte deluppgiften med en noggrannhetspoäng på 0,464.

Abstract

Tunachukua mbinu za kujifunza kwa kazi nyingi katika kazi hii ya ushirikiano katika SemEval-2018. Wazo la jumla kuhusu muundo huo ni kutumia takwimu za nje kama inavyowezekana ili kulinda uhusiano na kupunguza utata. Tunajiri kujifunza kwa kazi nyingi kwa kiwango kigumu cha kushirikiana kwa kutumia uhusiano kati ya kazi za subira. Kama modeli ya msingi, tunatumia mtandao wa kawaida wa neura unaoendelea kwa ajili ya mipango ya kutangaza na kudhibiti. Mfumo wetu una washiriki 32nd kati ya 48 wenye kipindi cha Pearson 0.557 katika juhudi la kwanza, na 20 kati ya 35 katika juhudi la tano kwa kiwango sahihi cha 0.464.

Abstract

We take a multi-task learning approach to the shared Task 1 at SemEval-2018. மாதிரி உருவமைப்பு பற்றிய பொது யோசனை சிறிய வெளி தகவலை பயன்படுத்த முடியும். பணியின் இணைப்பை பாதுகாக்க மற்றும் சிக்கலை கு நாங்கள் பல பணிகள் கற்றல் கடினமான அளபுருவுகள் பங்கிடுவதற்கு உப பணிகளுக்கிடையில் துணை தொடர்பை பயன்படுத்துவதற்கு. அடிப்படை மாதிரியாக, நாம் வகுப்பு மற்றும் திரும்ப துணை பணிகளுக்கும் ஒரு நிலையான திரும்பப் பாதுகார நெருக்கி முதல் துணை பணியில் 0. 557 பெயர்சன் மதிப்புள்ளி இருந்து எங்கள் அமைப்பு 48 பங்கீட்டாளர்களில் 32வது வரிசையில் இருக்கிறது, மேலும் 35 ல் 20வது ஐந்தாவது

Abstract

SemEval-2018'de bir nusga öwrenmek üçin bir nusga çykýarys. Model yapısı hakkındaki umumiy fikir, görevi bağlantısını korumak ve karmaşıklığını azaltmak üçin az dış veri olaraq kullanmak. Biz köp-täblik öwrenmesini kyn parameterler bilen ulanýarys, sub-täblikler arasyndaky syýahatlary ulanmak üçin. Basit nusga bolsa, ikimiz klasifikasyon we regressiýa çykyşymyz üçin standart bir tekrarly näral şebekeni ulanýarys. Biziň sistemamyz 48-nji pirson sanyndaky 0,557 sany ilkinji alt soragynda 32-nji derejede, we 5-nji alt soragynda 20-nji derejede 0,464 derejesi bar.

Abstract

ہم ایک مشترک ٹاکس ۱ کی ملی ٹاکس کی تعلیم کی طریقہ لیتے ہیں۔ موڈل ساختاری کے بارے میں عمومی نظر یہ ہے کہ کوشش کی تعلق اور پیچیدگی کی حفاظت کرنے کے لئے بہت کم بیرونی ڈیٹا استعمال کرنا ہے. ہم بہت سے کاموں کی تعلیم کو سخت پارامیٹر کے ساتھ شریک کرنے کے لئے استعمال کرتے ہیں کہ sub-tasks کے درمیان رابطہ استعمال کریں. بنسٹ موڈل کے طور پر، ہم ایک استاندارڈ ریکرینٹ نیورل نیورل نیٹ ورک کا استعمال کر رہے ہیں کلاسپیٹ اور ریگریشن سٹسٹسٹسٹ کے لئے۔ ہمارا سیستم 48 مشرکین میں سے 32ن درجہ ہے جو پہلی سٹپوسٹ میں 0.557 کی سٹپوسٹ میں ہے اور پانچویں سٹپوسٹ میں سے ۲۰ درجہ ہے جو 0.464 کی سٹپوسٹ میں ہے۔

Abstract

Biz SemEval-2018'da bir necha vazifa o'rganishni o'rganishga qaramamiz. Name Biz bir nechta vazifa o'rganish parametrlari bilan ishlayapmiz, tub vazifalar orasidagi aloqalarni ishlab chiqarish uchun. Asosiy modeli sifatida biz darajalashtirish va boshqarish vazifalari uchun andoza davom tarmoqni foydalanamiz. Bizning sistemiz 48 ta'qituvchidan 32inchi birinchi sub-vazifa 0.557 dan 0.557 bo'lgan Pearson scori bo'lgan va 35 dan 20 dan foydalanuvchi 0.464 dan foydalanuvchi.

Abstract

Chúng tôi có một phương pháp học tập đa nhiệm vụ chung ở Semkhai-thẩm 8. Ý tưởng chung về cấu trúc mô hình là sử dụng càng ít dữ liệu bên ngoài càng tốt để bảo vệ liên quan các nhiệm vụ và giảm sự phức tạp. Chúng tôi sử dụng việc học nhiều nhiệm vụ với việc chia sẻ các tham số khó khăn để khai thác mối quan hệ giữa các công việc. Là mô hình nền, chúng tôi sử dụng một mạng thần kinh thường xuyên lập lại cho cả các yêu cầu phân loại và phục hồi. Hệ thống của chúng ta xếp hàng 32nd ra ngoài 48 với một chuỗi Pearson of 0.57 trong phần đầu tiên và hai trên 35 trong phần thứ năm phụ đề với một điểm chính xác 0.46.94.

Abstract

吾于SemEval-2018上多任务学以共其1。凡结构之心,用尽可能少之外数,以守其任相关性而降复杂性。吾用多任务学与刚参数共用子之相关性。为本模形,分归子递归神经网络。臣等统于48名参与者中排名第32位,Pearson于首务之中者分为0.557,在第五子者排名第20位,在35者排名第20位,准确度分为0.464。

Anthology ID:: S18-1058
Volume:: Proceedings of The 12th International Workshop on Semantic Evaluation
Month:: June
Year:: 2018
Address:: New Orleans, Louisiana
Venue:: SemEval
SIGs:: SIGLEX | SIGSEM
Publisher:: Association for Computational Linguistics
Note:
Pages:: 385–389
Language:
URL:: https://aclanthology.org/S18-1058
DOI:: 10.18653/v1/S18-1058
Bibkey:
Cite (ACL):: Thomas Nyegaard-Signori, Casper Veistrup Helms, Johannes Bjerva, and Isabelle Augenstein. 2018. KU-MTL at SemEval-2018 Task 1 : Multi-task Identification of Affect in TweetsKU-MTL at SemEval-2018 Task 1: Multi-task Identification of Affect in Tweets. In Proceedings of The 12th International Workshop on Semantic Evaluation, pages 385–389, New Orleans, Louisiana. Association for Computational Linguistics.
Cite (Informal):: KU-MTL at SemEval-2018 Task 1 : Multi-task Identification of Affect in TweetsKU-MTL at SemEval-2018 Task 1: Multi-task Identification of Affect in Tweets (Nyegaard-Signori et al., SemEval 2018)
Copy Citation:
PDF:: https://aclanthology.org/S18-1058.pdf
Terminologies:

PDF Cite Search Translate