由于社交媒体的指数增加，重要的是关注其消极方面，因为它可能会划分社会，并将人们煽动暴力。在本文中，我们展示了我们在共享任务逗号@图标上的工作的描述，在那里我们必须对句子进行分类，如果句子是性别偏见或公共偏见的话。这三个可能是在社会中造成重大问题的主要原因。作为团队巨大，我们提出了一种用不同的预磨模的方法，具有注意力和均值的汇集方法。我们能够在孟加拉的0.223实例F1分数获得等级3，在多语言集中排名2，在多语言集中进行0.322个实例F1分数，在MEITEI上排名4，在MEITEI上进行0.129个实例F1分数，并在印地语中进行0.336实例F1分数。这里可以在此处找到源代码和预磨损的模型。
translated by 谷歌翻译
随着移动计算和网络技术的快速增长，令人反感的语言在社交网络平台上变得更加普遍。由于本地语言的令人反感语言识别对于中等社交媒体内容至关重要，因此在本文中，我们使用三种Dravidian语言，即Malayalam，Tamil和Kannada，这些语言遭到资源。我们在EACL 2021的Fire 2020- Hasoc-DravidiancodeMix和Dravidianlangtech提供了一个评估任务，旨在提供一个比较不同方法对此问题的框架。本文介绍了数据创建，定义任务，列出参与系统，并讨论各种方法。
translated by 谷歌翻译