BriefGPT - AI 论文速递
·
通过深度学习和精调的大型语言模型构建集成模型以提升实体识别性能：多源不良事件抽取案例研究
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了解决SemEval 2023 Task 2的体系结构和系统，包括传统的条件随机场模型和经过自定义头部微调的大型语言模型。还探索了新的想法，如衰减辅助损失、三元标记混合和任务最优头部。通过多个LLM和超参数设置，模型在开发数据上达到了0.85/0.84的微观和宏观F1值，并在测试数据上达到了0.67/0.61。通过增强额外特征/损失/模型工程技术，可以显著提高宏观F1分数。
🎯
关键要点
-
本文介绍了解决SemEval 2023 Task 2的体系结构和系统。
-
评估了传统的条件随机场模型和经过自定义头部微调的大型语言模型（LLM）。
-
探索了衰减辅助损失、三元标记混合和任务最优头部等新想法。
-
使用多个LLM和超参数设置，模型在开发数据上达到了0.85/0.84的微观和宏观F1值。
-
在测试数据上，模型达到了0.67/0.61的F1值。
-
通过增强额外特征、损失和模型工程技术，可以显著提高宏观F1分数。
➡️
